WO2021018943A1 - VERFAHREN ZUM DURCHFÜHREN EINES SCHLIEßVORGANGS, SCHLIEßVORRICHTUNG, SERVEREINRICHTUNG UND KOMMUNIKATIONSENDGERÄT ZUM DURCHFÜHREN EINES DERARTIGEN VERFAHRENS - Google Patents

VERFAHREN ZUM DURCHFÜHREN EINES SCHLIEßVORGANGS, SCHLIEßVORRICHTUNG, SERVEREINRICHTUNG UND KOMMUNIKATIONSENDGERÄT ZUM DURCHFÜHREN EINES DERARTIGEN VERFAHRENS Download PDF

Info

Publication number
WO2021018943A1
WO2021018943A1 PCT/EP2020/071355 EP2020071355W WO2021018943A1 WO 2021018943 A1 WO2021018943 A1 WO 2021018943A1 EP 2020071355 W EP2020071355 W EP 2020071355W WO 2021018943 A1 WO2021018943 A1 WO 2021018943A1
Authority
WO
WIPO (PCT)
Prior art keywords
closing
data
frictional force
machine learning
vehicle
Prior art date
Application number
PCT/EP2020/071355
Other languages
English (en)
French (fr)
Inventor
Andreas Hanauska
Christian Gruber
Norbert SEULING
Mohammad Shaikh
Original Assignee
Conti Temic Microelectronic Gmbh
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Conti Temic Microelectronic Gmbh filed Critical Conti Temic Microelectronic Gmbh
Priority to US17/632,012 priority Critical patent/US20220268081A1/en
Publication of WO2021018943A1 publication Critical patent/WO2021018943A1/de

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05F—DEVICES FOR MOVING WINGS INTO OPEN OR CLOSED POSITION; CHECKS FOR WINGS; WING FITTINGS NOT OTHERWISE PROVIDED FOR, CONCERNED WITH THE FUNCTIONING OF THE WING
    • E05F15/00—Power-operated mechanisms for wings
    • E05F15/40—Safety devices, e.g. detection of obstructions or end positions
    • E05F15/41—Detection by monitoring transmitted force or torque; Safety couplings with activation dependent upon torque or force, e.g. slip couplings
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05F—DEVICES FOR MOVING WINGS INTO OPEN OR CLOSED POSITION; CHECKS FOR WINGS; WING FITTINGS NOT OTHERWISE PROVIDED FOR, CONCERNED WITH THE FUNCTIONING OF THE WING
    • E05F15/00—Power-operated mechanisms for wings
    • E05F15/70—Power-operated mechanisms for wings with automatic actuation
    • E05F15/71—Power-operated mechanisms for wings with automatic actuation responsive to temperature changes, rain, wind or noise
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05F—DEVICES FOR MOVING WINGS INTO OPEN OR CLOSED POSITION; CHECKS FOR WINGS; WING FITTINGS NOT OTHERWISE PROVIDED FOR, CONCERNED WITH THE FUNCTIONING OF THE WING
    • E05F15/00—Power-operated mechanisms for wings
    • E05F15/60—Power-operated mechanisms for wings using electrical actuators
    • E05F15/603—Power-operated mechanisms for wings using electrical actuators using rotary electromotors
    • E05F15/611—Power-operated mechanisms for wings using electrical actuators using rotary electromotors for swinging wings
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05Y—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES E05D AND E05F, RELATING TO CONSTRUCTION ELEMENTS, ELECTRIC CONTROL, POWER SUPPLY, POWER SIGNAL OR TRANSMISSION, USER INTERFACES, MOUNTING OR COUPLING, DETAILS, ACCESSORIES, AUXILIARY OPERATIONS NOT OTHERWISE PROVIDED FOR, APPLICATION THEREOF
    • E05Y2201/00—Constructional elements; Accessories therefor
    • E05Y2201/40—Motors; Magnets; Springs; Weights; Accessories therefor
    • E05Y2201/43—Motors
    • E05Y2201/434—Electromotors; Details thereof
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05Y—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES E05D AND E05F, RELATING TO CONSTRUCTION ELEMENTS, ELECTRIC CONTROL, POWER SUPPLY, POWER SIGNAL OR TRANSMISSION, USER INTERFACES, MOUNTING OR COUPLING, DETAILS, ACCESSORIES, AUXILIARY OPERATIONS NOT OTHERWISE PROVIDED FOR, APPLICATION THEREOF
    • E05Y2400/00—Electronic control; Electrical power; Power supply; Power or signal transmission; User interfaces
    • E05Y2400/10—Electronic control
    • E05Y2400/30—Electronic control of motors
    • E05Y2400/31—Force or torque control
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05Y—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES E05D AND E05F, RELATING TO CONSTRUCTION ELEMENTS, ELECTRIC CONTROL, POWER SUPPLY, POWER SIGNAL OR TRANSMISSION, USER INTERFACES, MOUNTING OR COUPLING, DETAILS, ACCESSORIES, AUXILIARY OPERATIONS NOT OTHERWISE PROVIDED FOR, APPLICATION THEREOF
    • E05Y2400/00—Electronic control; Electrical power; Power supply; Power or signal transmission; User interfaces
    • E05Y2400/10—Electronic control
    • E05Y2400/30—Electronic control of motors
    • E05Y2400/31—Force or torque control
    • E05Y2400/315—Curve setting or adjusting
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05Y—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES E05D AND E05F, RELATING TO CONSTRUCTION ELEMENTS, ELECTRIC CONTROL, POWER SUPPLY, POWER SIGNAL OR TRANSMISSION, USER INTERFACES, MOUNTING OR COUPLING, DETAILS, ACCESSORIES, AUXILIARY OPERATIONS NOT OTHERWISE PROVIDED FOR, APPLICATION THEREOF
    • E05Y2400/00—Electronic control; Electrical power; Power supply; Power or signal transmission; User interfaces
    • E05Y2400/10—Electronic control
    • E05Y2400/36—Speed control, detection or monitoring
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05Y—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES E05D AND E05F, RELATING TO CONSTRUCTION ELEMENTS, ELECTRIC CONTROL, POWER SUPPLY, POWER SIGNAL OR TRANSMISSION, USER INTERFACES, MOUNTING OR COUPLING, DETAILS, ACCESSORIES, AUXILIARY OPERATIONS NOT OTHERWISE PROVIDED FOR, APPLICATION THEREOF
    • E05Y2400/00—Electronic control; Electrical power; Power supply; Power or signal transmission; User interfaces
    • E05Y2400/10—Electronic control
    • E05Y2400/40—Control units therefor
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05Y—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES E05D AND E05F, RELATING TO CONSTRUCTION ELEMENTS, ELECTRIC CONTROL, POWER SUPPLY, POWER SIGNAL OR TRANSMISSION, USER INTERFACES, MOUNTING OR COUPLING, DETAILS, ACCESSORIES, AUXILIARY OPERATIONS NOT OTHERWISE PROVIDED FOR, APPLICATION THEREOF
    • E05Y2400/00—Electronic control; Electrical power; Power supply; Power or signal transmission; User interfaces
    • E05Y2400/80—User interfaces
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05Y—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES E05D AND E05F, RELATING TO CONSTRUCTION ELEMENTS, ELECTRIC CONTROL, POWER SUPPLY, POWER SIGNAL OR TRANSMISSION, USER INTERFACES, MOUNTING OR COUPLING, DETAILS, ACCESSORIES, AUXILIARY OPERATIONS NOT OTHERWISE PROVIDED FOR, APPLICATION THEREOF
    • E05Y2400/00—Electronic control; Electrical power; Power supply; Power or signal transmission; User interfaces
    • E05Y2400/80—User interfaces
    • E05Y2400/85—User input means
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05Y—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES E05D AND E05F, RELATING TO CONSTRUCTION ELEMENTS, ELECTRIC CONTROL, POWER SUPPLY, POWER SIGNAL OR TRANSMISSION, USER INTERFACES, MOUNTING OR COUPLING, DETAILS, ACCESSORIES, AUXILIARY OPERATIONS NOT OTHERWISE PROVIDED FOR, APPLICATION THEREOF
    • E05Y2800/00—Details, accessories and auxiliary operations not otherwise provided for
    • E—FIXED CONSTRUCTIONS
    • E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
    • E05Y—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES E05D AND E05F, RELATING TO CONSTRUCTION ELEMENTS, ELECTRIC CONTROL, POWER SUPPLY, POWER SIGNAL OR TRANSMISSION, USER INTERFACES, MOUNTING OR COUPLING, DETAILS, ACCESSORIES, AUXILIARY OPERATIONS NOT OTHERWISE PROVIDED FOR, APPLICATION THEREOF
    • E05Y2900/00—Application of doors, windows, wings or fittings thereof
    • E05Y2900/50—Application of doors, windows, wings or fittings thereof for vehicles
    • E05Y2900/53—Type of wing
    • E05Y2900/531—Doors

Definitions

  • the present invention relates to a method for performing a
  • Closing process of a closing part driven by an electric motor drive unit such as a door, a window, a sliding roof or a flap of a closing device of a vehicle.
  • the present invention further relates to a locking device with a control device for performing such a method, as well as a server device and a
  • Communication terminal in particular mobile communication terminal, for performing such a method.
  • Closing devices of vehicles usually have an immovable (static) element and a movable closing element or closing part such as a door, a window, a sliding roof or a flap, the position of which can be moved relative to the immovable element by means of a drive unit, in particular an electromotive drive unit, to open and / or close a corresponding opening in the vehicle.
  • a drive unit in particular an electromotive drive unit
  • Closing devices of this type are usually used in vehicle technology to adjust vehicle doors, vehicle windows or vehicle windows or flaps such as spot flaps of the vehicle.
  • Controllers may recognize a trapping case as such, even though there is actually no trapping case.
  • trapping case Such so-called “false positive” reversals or “false positive” cases of trapping are common to the user of the
  • the object of the present invention is therefore to provide a method for performing a closing operation of one of an electromotive
  • the closing part can in particular be a door, a window or a flap of the vehicle.
  • the method according to the invention comprises the following steps: Determining a current stiffness of the
  • Input data from previous locking processes is trained, the input data being transmitted to a server device which is designed to determine the frictional force data by means of the machine learning method, Determination of the friction force data taking into account
  • the frictional force data representing a current sluggishness of the closing device are estimated values which estimate the sluggishness to be expected at the respective closed position of the closing part. These estimated values are determined by the machine learning method using training data. In order to be able to estimate the stiffness of the locking device, the machine learning process is carried out with the test, training and / or
  • Validation drives of the vehicle are trained in locking processes obtained.
  • actual frictional force data are determined (e.g. via closing position-dependent load torque measurements on the drive unit) and these actual frictional force data are then used in the form of frictional force reference data as input data for training the
  • the machine learning method which can be, for example, a neural network, a decision tree (regression tree or boosted regression tree), based on the training data used, then supplies estimated values for the sluggishness or frictional force to be expected in the locking device, which the locking part at the respective locking position opposes.
  • the frictional force or the sluggishness is the result of a (mechanical) interaction of the respective
  • Components of the locking device as well as the result of external effects that act on the locking device (ambient temperature, ambient air humidity, signs of aging, soiling, etc.).
  • the input data are transmitted to a server device which is designed to determine the frictional force data. This means that the actual implementation of the machine learning process is based on the
  • Server device and, for example, not on a control unit of the vehicle. This has the advantage that a higher computing capacity can be used can. At the same time, a more cost-effective and space-saving control unit can be installed in the vehicle.
  • the frictional force data determined by the machine learning process for the start-up phase or the transient phase of the are particularly important
  • Frictional force data are then determined - for example via a predetermined or preset assignment function - corresponding nominal drive power data for the drive unit, which take into account the frictional force data or the estimated values for the expected sluggishness of the locking device. They are taken into account in that the target drive power data are selected (by means of the assignment function) in such a way that the closing part at the respective closing position at least provides the expected (by means of the mechanical
  • the target drive power data are selected in such a way that the closing part can overcome the frictional force presumably counteracting it at the respective closing position.
  • the drive unit is finally based on the determined nominal drive power data
  • Closing operation operated.
  • the locking part is operated in such a way that the Closing part can overcome at least the (expected) frictional force counteracting the closing part at the respective closing position.
  • the method according to the invention is based in particular on the idea that, over the course of the service life of a locking device, there are always changes in the stiffness and thus changes in the friction
  • Frictional force at the respective closing position is estimated in advance and this expected frictional force is then taken into account in such a way that the drive unit is operated with a target drive power that overcomes the frictional force, the changes occurring in the course of the service life of a closing device as well as those external to the closing device
  • Target drive power data can be determined.
  • the method has advantages particularly in the settling phase of the closing device, since measurements of the actually occurring frictional forces can only be carried out with difficulty or not at all. Using the machine learning process, however, even in this delicate phase, based on the many
  • Training data reliably estimated values for the expected frictional force data in the locking device are determined. Since the machine learning process also works on the server device and not on the control unit of the
  • Vehicle is implemented, more complex models can also be used to determine the estimated values.
  • the machine learning method can, for example, be a neural network in which, as input data for training the neural network, friction force reference data from previous or past or in the past performed closing processes, for example during test, training and / or
  • Validation drives of the vehicle collected can be used.
  • the machine learning process can also be a decision tree (regression tree or boosted regression tree).
  • the friction force reference data are based on the closing position dependent
  • Load torque applied to the drive unit allows conclusions to be drawn about frictional force data or conclusions about the sluggishness of the locking device.
  • the load torque on the electric motor is usually greater when the locking device is more difficult to move.
  • the friction force reference data can be obtained, which is later than
  • Training data can be used for the machine learning process.
  • the input data for training the machine learning method include also data that represent an ambient temperature of the vehicle, an ambient humidity of the vehicle and / or an adjustment speed of the closing part. For example, it was recognized that lower ambient temperatures, lower ambient air humidities and / or lower adjustment speeds of the closing part have increased
  • Input data for training the machine learning process also contain data sets that indicate different ambient temperatures
  • the ambient air humidity and / or adjustment speeds of the closing part can be taken into account by those determined by the machine learning process
  • Frictional force data can be precisely determined for the respective situation.
  • Friction force reference data from test, training and / or validation drives also uses the friction force data representing a current sluggishness as additional input data for training the machine learning method.
  • the frictional force data obtained or estimated from current closing processes are used as additional input data for training the machine learning method.
  • the machine learning process updates itself, so that, for example
  • Friction force data representing sluggishness is only used to train the machine learning method when a trigger event occurs.
  • the trigger event can be an internal trigger event or an external trigger event.
  • An internal trigger event is, for example, a self-diagnosis carried out by the vehicle's control unit, in which a current load torque dependent on the closing position (determined for example by a measurement on the electric motor) is compared with the load torque estimated by the machine learning process for the same closing position. It is then determined that the current load torque deviates from the load torque estimated by means of the machine learning method by more than a threshold value, an internal trigger signal can be output as part of the self-diagnosis that indicates the need for a
  • System diagnosis which can ultimately serve as an internal trigger event for updating the machine learning method, is installed, for example, on the control device of the locking device.
  • An external trigger event is, for example, a trigger signal output by a control room or an external monitoring device, which indicates the need for an update or a new training of the machine learning method.
  • Monitoring device can be at an external location, i. H. outside the control device or outside the server device, which in turn saves installation space.
  • the internal and external trigger events make it possible to update the machine learning process in a targeted manner, i.e. H. to be carried out only when necessary. That saves time and computing power.
  • the inventive method can as a Com puterprogramm product
  • the closing device comprises a closing part such as a window, a door, a sliding roof or a flap (or tailgate) of the vehicle, which is designed to close (as well as to open) a corresponding opening of the vehicle.
  • the locking device according to the invention further comprises an electromotive drive unit for driving the locking part and a control device which is designed to carry out a method according to the first aspect or configurations thereof.
  • Server device provided which is designed to carry out a method according to the first aspect or configurations thereof.
  • the server device is external to the vehicle, i. H.
  • a communication terminal which is designed to carry out a method according to the first aspect or configurations thereof.
  • the communication terminal is designed to be mobile and external to the vehicle.
  • the communication terminal can be a smartphone or the like.
  • the method can, for example, be carried out in the form of a computer program product (app) that can be executed on the mobile communication terminal.
  • FIG. 1 shows a schematic view of an embodiment of a
  • FIG. 3 shows a schematic view of closing position-dependent motor current data to further illustrate the method according to the invention
  • FIG. 4 shows a schematic view of a flow chart showing a
  • Embodiment of the method according to the invention shows.
  • FIG. 1 shows a vehicle 10 with a
  • Locking device 12 shows.
  • the locking device 12 has a locking part 14 which, in the specific example of FIG. 1, is shown as a window or window pane of the vehicle 10.
  • the closing part 14 can be a sliding roof, a door or a flap such as, for example, a patch flap of the vehicle 10.
  • the closing part 14 can move between an open position and
  • the locking device 12 also has an electromotive drive unit 18 for driving the locking part 14.
  • the electric motor drive unit 18 can for example have an electric motor, the drive power of which is used to move the closing part 14 between the open position and
  • the locking device 12 also has a control device 20 which is operationally connected to the electric motor drive unit 18 or the electric motor and controls the operation of the drive unit 18 or the electric motor.
  • a server device 22 and a communication terminal 24 are also shown.
  • the server device 22 is embodied externally from the vehicle 10, that is to say the server device 22 is embodied outside the vehicle 10.
  • the communication terminal 24 is also external to the vehicle 10 and also designed to be mobile, so that, for example, a person 26 can carry the communication terminal 24 with them.
  • Communication terminals 24 are designed to carry out a method, explained in connection with FIGS. 2 to 4, for performing a closing process of the closing part 14.
  • FIG. 2 shows a schematic diagram to illustrate the method according to the invention for performing a closing process of the closing part 14.
  • control device 20 is installed, for example, in the vehicle 10 and is included
  • Sensor devices 28 connected to the control device 20 data for example the ambient temperature or the ambient humidity of the vehicle 10, the position of the closing part 14 or the current
  • the control unit 20 also receives more for the electric motor
  • the control device 20 can, for example, obtain a current load torque at the
  • the control device 20 Since the control device 20 always also detects the current position of the closing part 14, the current load torque of the electric motor can be determined as a function of the respective position or closed position of the closing part 14.
  • estimated values for frictional force data that represent a current stiffness of the locking device 12 can be determined.
  • These frictional force data essentially represent the frictional force to be expected at the respective closing position of the closing part 14, which the closing part 14 during its movement from the Counteracts the open position in the closed position. In other words, the resistance to be expected when closing the closing part 14 is estimated with the estimated frictional force data.
  • Components of the locking device 12 leads to a locking position-dependent frictional force or sluggishness, which counteracts the locking part 14 when it moves from the open position into the closed position.
  • Sluggishness is estimated with the aid of the model 32 in the form of frictional force data without performing any current additional measurements on the drive unit 18 or on the electric motor.
  • the estimated frictional force data are determined by means of a model 32.
  • the model 32 is based on a machine learning method 34 that is carried out on the server device 22.
  • the machine learning method 34 uses, among other things, the data 30 which are transmitted from the sensor devices 28 to the server device 22 and are used there as input data 36 for training the machine learning method 34.
  • These input data 36 thus not only include data that
  • the machine learning method 34 is trained in order to finally generate the model 32 which supplies the frictional force data representing the expected stiffness of the closing device for the respective closed position of the closing part 14.
  • the input data 36 are generated, for example, during test, training or validation drives of the vehicle 10 and are ultimately the result already carried out, ie carried out in the past or already
  • Frictional force data are converted and have been stored as frictional force reference data for training the machine learning method 34. Based on this friction force reference data, the machine learning method 34 can then be used for the respective environmental condition of the vehicle 10
  • the machine learning method 34 thus enables a computational or
  • Theoretical estimation is based on the data actually ascertained beforehand, which was ascertained as input data 36 for training the machine learning method 34. With the aid of the machine learning method 34 it is therefore no longer necessary to determine the actual stiffness of the closing device 12 or the actually occurring frictional force data for a current closing process of the closing part 14. Instead, the actually occurring frictional force data are recorded by means of the machine
  • Settling phase of the locking device 12 is advantageous because it is very difficult here - or none at all - measurement data representing the stiffness of the locking device 12 can be determined.
  • Friction force data 38 representing sluggishness are taken into account as additional input data for training the machine learning method 34.
  • the additionally determined and / or estimated frictional force data are used as additional input data for training the
  • the updating of the machine learning method 34 does not have to take place with each new closing process of the closing part 14. Rather, the update can be dependent on so-called trigger events. This
  • Trigger events can be divided into internal and external
  • An internal trigger event is, for example, a system or self-diagnosis 40 carried out by the control unit 20 of the vehicle 10.
  • a current closing position-dependent load torque (determined for example by a load torque measurement on the electric motor) is compared with the load torque for the same closing position estimated by the machine learning process. If the current load torque deviates from the load torque estimated by means of the machine learning method by more than a threshold value, an internal trigger signal can then be output as part of the system or self-diagnosis 40, which indicates the need to update the model 32 and thus the need for renewed training of the machine
  • An external trigger event is, for example, an external trigger signal 42 output by a control room or an external monitoring device, which indicates the need for an update of the model 32 or the
  • the external trigger signal 42 can then be output by the control room, for example, when external effects (for example updating the
  • an update of the machine learning method 34 and thus an update of the model 32 can be targeted, i.e. updated. H. can only be initiated when required. It is particularly useful to use the frictional force data 38 as additional input data for training the machine learning method 34, in particular in the event that an update of the machine learning method 34 is necessary. In this case, the already determined or historical friction force data for updating and further developing the machine learning method 34 are also taken into account.
  • FIG. 3 is a schematic view of FIG
  • the closed position is indicated in FIG. 3 in such a way that a movement of the closing part 14 from the left (in the range of 400 mm) to the right (towards a position of 0 mm) closes the opening 16 of the vehicle 10.
  • the closing part 14 is on the left side of the graph in FIG. 3 in its open position and on the right side in its closed position.
  • a first curve 44 shown as a dash-dotted curve, is a curve of motor current values that is known to those skilled in the art from the prior art.
  • the first curve 44 represents the result of a closing position-dependent load torque measurement on If the closing part 14 is in its open position, ie in an area at a position of approx. 400 mm or more, the specific example results in a motor current of just under 5 A. On the way to the closed position , ie in an area at a position of approx. 0 mm, the motor current increases continuously. When the closing part 14 reaches the seal at the opening 16, there is a sudden increase in the motor current due to the increased resistance (shown by the arrow 48). The motor current continues to rise (see arrow 50) until the
  • Closing part 14 has finally reached the closed position.
  • Such a course is familiar to the person skilled in the art from the prior art.
  • FIG. 3 also shows a second curve 46 shifted with respect to curve 44.
  • the second curve 46 is upwards in relation to the first curve 44, i. H. towards higher
  • the curve 46 represents target drive power data of the drive unit 18, i.e. those drive power data with which the electric motor of the drive unit 18 is to be operated or which are set when the electric motor is operated accordingly, the target drive power data being selected such that the closing part 14 the determined by means of the machine learning method 34
  • Closing device 12 predicts, then this increased stiffness is converted into a target drive power that takes the increased stiffness into account. The result is that the locking part 14 is no longer with
  • Target drive power data is operated according to curve 46.
  • the target drive power will thus be slightly increased (arrow 52), so that the closing part 14 can be moved in the direction of the closed position without any problems even with locally increased resistance. If the machine learning method 34, for example. A continuous increase in the local
  • Closing part 14 predicts, this becomes continuously larger
  • Target drive power data result. This is exemplified by the fact that the distance in the area of the closed position (arrow 54) is greater than in the area of the open position (arrow 52).
  • the machine learning method can, however, also predict a locally limited increase in the stiffness (arrow 56). This locally limited increase can occur, for example, due to contamination in the guide, due to corrosion, etc. If the machine learning method predicts a locally increased stiffness for this area, the
  • Target drive power (arrow 56) increased accordingly.
  • FIG. 4 shows a schematic view of a flow diagram of an embodiment of the method according to the invention.
  • the method starts with step 400.
  • the determination of frictional force data takes place by means of the machine learning method 34.
  • the machine learning method 34 is trained based on frictional force reference data that result as input data 36 from previous closing processes of the closing part 14.
  • the data 30 made available via the sensor device 28 are used. This also includes data that goes through
  • the input data 36 also contain data records on different ambient temperatures and
  • target drive power data are determined which take into account the frictional force data determined in step 402.
  • the frictional force data are taken into account in that the setpoint drive power data are selected in such a way that the closing part 14, when it moves from the open position into the closed position, at least as much as it is in the respective closed position counteracting frictional force estimated by the frictional force data.
  • step 406 the drive unit 18 or the electric motor of the drive unit 18 is determined based on that determined in step 404
  • the closed position can be moved without determining a “false positive” trapping case (for example in the range of 300 mm - arrow 56).
  • the method finally ends at step 408.
  • the method described in connection with FIGS. 2 to 4 can either be performed directly on the control device 20 or on the server device 22 or on the mobile communication terminal 24
  • control device 20 may be performed.
  • the method is preferably not carried out on control device 20 in order to save computing power, installation space and costs in control device 20.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Power-Operated Mechanisms For Wings (AREA)
  • Lock And Its Accessories (AREA)

Abstract

Es ist ein Verfahren zum Durchführen eines Schließvorgangs eines von einer elektromotorischen Antriebseinheit (18) angetriebenen Schließteils (14) einer Schließvorrichtung (12) eines Fahrzeugs (10) offenbart. Das Verfahren weist die folgenden Schritte auf: Ermitteln von eine aktuelle Schwergängigkeit der Schließvorrichtung (12) repräsentierenden Reibungskraftdaten mittels eines maschinellen Lernverfahrens (34), das mit Reibungskraftreferenzdaten als Eingangsdaten (36) aus vorangegangenen Schließvorgängen trainiert ist, wobei die Eingangsdaten (36) an eine Servereinrichtung (22) übermittelt werden, die dazu ausgebildet ist, die Reibungskraftdaten mittels des maschinellen Lernverfahrens (34) zu ermitteln, Ermitteln von die Reibungskraftdaten berücksichtigenden Soll-Antriebsleistungsdaten für die Antriebseinheit (18) und Betreiben der Antriebseinheit (18) basierend auf den ermittelten Soll-Antriebsleitungsdaten zum Durchführen des Schließvorgangs bei zumindest einem darauffolgenden Schließvorgang.

Description

Beschreibung
Verfahren zum Durchführen eines Schließvorgangs, Schließvorrichtung,
Servereinrichtung und Kommunikationsendgerät zum Durchführen eines derartigen Verfahrens
Die vorliegende Erfindung betrifft ein Verfahren zum Durchführen eines
Schließvorgangs eines von einer elektromotorischen Antriebseinheit angetriebenen Schließteils wie beispielsweise einer Tür, eines Fensters, eines Schiebedachs oder einer Klappe einer Schließvorrichtung eines Fahrzeugs. Die vorliegende Erfindung betrifft ferner eine Schließvorrichtung mit einem Steuergerät zum Durchführen eines derartigen Verfahrens, sowie eine Servereinrichtung und ein
Kommunikationsendgerät, insbesondere mobiles Kommunikationsendgerät, zum Durchführen eines derartigen Verfahrens.
Schließvorrichtungen von Fahrzeugen weisen üblicherweise ein unbewegliches (statisches) Element und ein bewegliches Schließelement oder Schließteil wie beispielsweise eine Tür, ein Fenster, ein Schiebedach oder eine Klappe auf, dessen Position mittels einer Antriebseinheit, insbesondere einer elektromotorischen Antriebseinheit, gegenüber dem unbeweglichen Element bewegbar ist, um eine korrespondierende Öffnung des Fahrzeugs zu öffnen und/oder zu schließen.
Derartige Schließvorrichtungen werden in der Fahrzeugtechnik üblicherweise zur Verstellung von Fahrzeugtüren, Fahrzeugfenstern bzw. Fahrzeugscheiben oder Klappen wie beispielsweise Fleckklappen des Fahrzeugs eingesetzt.
Eine übliche Funktionalität bei derartigen Schließvorrichtungen ist der Schutz vor Einklemmen oder Verletzen von Einklemmobjekt im Öffnungsbereich des
Schließteils. Bei einem solchen Einklemmschutz werden beispielsweise
Maximalwerte eines Lastmoments einer das Schließteil elektromotorisch
antreibenden Antriebseinheit vorgegeben. Werden diese Maximalwerte beim Schließen des Schließteils überschritten, so wird eine Steuerung den Einklemmfall erkennen und gegebenenfalls eine Reversierung des Schließteils bewirken. Allerdings hat sich gezeigt, dass derartige auf Maximalwerte basierende
Steuerungen unter Umständen einen Einklemmfall als solchen erkennen, obwohl tatsächlich kein Einklemmfall vorliegt. Derartige sogenannte„false positive“ Reversierung oder„false positive“ Einklemmfälle sind beim Benutzer des
Fahrzeugs nicht erwünscht und werden häufig als störend oder sogar als eine Fehlfunktion der Schließvorrichtung empfunden.
Die Aufgabe der vorliegenden Erfindung besteht daher darin, ein Verfahren zum Durchführen eines Schließvorgangs eines von einer elektromotorischen
Antriebseinrichtung angetriebenen Schließteils zu schaffen, mit der ein
zuverlässigerer Einklemmschutz realisiert werden kann. Ferner ist es eine Aufgabe der vorliegenden Erfindung eine Schließvorrichtung mit einem Steuergerät zum Durchführen eines derartigen Verfahrens, sowie eine Servereinrichtung und ein Kommunikationsendgerät zum Durchführen eines derartigen Verfahrens
bereitzustellen.
Diese Aufgaben werden durch ein Verfahren gemäß dem Patentanspruch 1 , durch eine Schließvorrichtung gemäß dem Patentanspruch 6, durch eine
Servereinrichtung gemäß dem Patentanspruch 7 und durch ein
Kommunikationsendgerät gemäß dem Patentanspruch 9 gelöst. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen angegeben.
Gemäß einem ersten Aspekt der vorliegenden Erfindung wird ein Verfahren zum Durchführen eines Schließvorgangs eines von einer elektromotorischen
Antriebseinheit angetriebenen Schließteils einer Schließvorrichtung eines
Fahrzeugs bereitgestellt. Das Schließteil kann insbesondere eine Tür, ein Fenster oder eine Klappe des Fahrzeugs sein. Das erfindungsgemäße Verfahren umfasst die folgenden Schritte: Ermitteln von eine aktuelle Schwergängigkeit der
Schließvorrichtung repräsentierenden Reibungskraftdaten mittels eines
maschinellen Lernverfahrens, das mit Reibungskraftreferenzdaten als
Eingangsdaten aus vorangegangenen Schließvorgängen trainiert ist, wobei die Eingangsdaten an eine Servereinrichtung übermittelt werden, die dazu ausgebildet ist, die Reibungskraftdaten mittels des maschinellen Lernverfahrens zu ermitteln, Ermitteln von die Reibungskraftdaten berücksichtigenden
Soll-Antriebsleistungsdaten für die Antriebseinheit und Betreiben der
Antriebseinheit basierend auf den ermittelten Soll-Antriebsleistungsdaten zum Durchführen des Schließvorgangs bei zumindest einem darauffolgenden
Schließvorgang.
Die eine aktuelle Schwergängigkeit der Schließvorrichtung repräsentierenden Reibungskraftdaten sind Schätzwerte, die die an der jeweiligen Schließposition des Schließteils zu erwartende Schwergängigkeit abschätzen. Diese Schätzwerte werden von dem maschinellen Lernverfahren mithilfe von Trainingsdaten ermittelt. Um die Schwergängigkeit der Schließvorrichtung abschätzen zu können, wird das maschinelle Lernverfahren mit den aus Test-, Trainings- und/oder
Validierungsfahrten des Fahrzeugs gewonnenen Schließvorgängen trainiert.
Während dieser„Testschließvorgänge“ werden tatsächliche Reibungskraftdaten ermittelt (bspw. über schließpositionsabhängige Lastmomentmessungen an der Antriebseinheit) und werden diese tatsächlichen Reibungskraftdaten dann in Form von Reibungskraftreferenzdaten als Eingangsdaten zum Trainieren des
maschinellen Lernverfahrens verwendet. Das maschinelle Lernverfahren, das beispielsweise ein neuronales Netz, ein Entscheidungsbaum (regression tree oder boosted regression tree) sein kann, liefert dann basierend auf den verwendeten Trainingsdaten Schätzwerte für die in der Schließvorrichtung zu erwartende Schwergängigkeit bzw. Reibungskraft, die dem Schließteil an der jeweiligen Schließposition entgegensteht. Die Reibungskraft bzw. die Schwergängigkeit ist dabei das Ergebnis eines (mechanischen) Zusammenspiels der jeweiligen
Komponenten der Schließvorrichtung, wie auch das Ergebnis von externen Effekten, die auf die Schließvorrichtung einwirken (Umgebungstemperatur, Umgebungsluftfeuchte, Alterungserscheinungen, Verschmutzung, etc.).
Besonders ist, dass die Eingangsdaten an eine Servereinrichtung übermittelt werden, die dazu ausgebildet ist, die Reibungskraftdaten zu ermitteln. Das heißt, dass die eigentliche Umsetzung des maschinellen Lernverfahrens auf der
Servereinrichtung und beispielsweise nicht auf einem Steuergerät des Fahrzeugs erfolgt. Dies hat den Vorteil, dass eine höhere Rechenkapazität genutzt werden kann. Gleichzeitig kann ein kostengünstigeres und platzsparenderes Steuergerät im Fahrzeug verbaut werden.
Besonders wichtig sind die von dem maschinellen Lernverfahren ermittelten Reibungskraftdaten für die Anlaufphase bzw. die Einschwingphase der
Schließvorrichtung. In dieser Phase sind tatsächliche Reibungskraftdaten nur schwer oder gar nicht ermittelbar. Gleichzeitig kommt es in der Einschwingphase der Schließvorrichtung zur mechanischen Verspannung oder Vorspannung der Komponenten der Schließvorrichtung, zum Seilspielausgleich eines in der
Schließvorrichtung unter Umständen vorhandenen Bowden- oder Seilzugs, zur Vorspannung von Federelemente der Schließvorrichtung oder ganz allgemein zum Einlaufen bzw. Einschwingen der Komponenten der Schließvorrichtung. Dieses Einschwingen hat aber Reibungsänderungen zur Folge, die mittels des
maschinellen Lernverfahrens zuverlässig abgeschätzt werden können.
Basierend auf den durch das maschinelle Lernverfahren ermittelten
Reibungskraftdaten werden dann - beispielsweise über eine vorbestimmte oder voreingestellte Zuordnungsfunktion - entsprechende Soll-Antriebsleistungsdaten für die Antriebseinheit ermittelt, die die Reibungskraftdaten bzw. die Schätzwerte für die zu erwartende Schwergängigkeit der Schließvorrichtung berücksichtigen. Die Berücksichtigung erfolgt dadurch, dass die Soll-Antriebsleistungsdaten (mittels der Zuordnungsfunktion) derart gewählt sind, dass das Schließteil an der jeweiligen Schließposition zumindest den zu erwartenden (mittels des maschinellen
Lernverfahrens ermittelten) Reibungskraftschätzwert überwinden kann. Mit anderen Worten werden die Soll-Antriebsleistungsdaten derart gewählt, dass das Schließteil die ihm vermutlich entgegenwirkende Reibungskraft an der jeweiligen Schließposition überwinden kann.
Nachdem die Soll-Antriebsleistungsdaten ermittelt wurden, wird die Antriebseinheit schließlich basierend auf den ermittelten Soll-Antriebsleistungsdaten zum
Durchführen des Schließvorgangs bei zumindest einem darauffolgenden
Schließvorgang betrieben. Das Schließteil wird also so betrieben, dass das Schließteil zumindest die dem Schließteil an der jeweiligen Schließposition entgegenwirkende (zu erwartende) Reibungskraft überwinden kann.
Das erfindungsgemäße Verfahren beruht insbesondere auf der Idee, dass es im Laufe der Lebensdauer einer Schließvorrichtung immer mal wieder zu Änderungen der Schwergängigkeit und damit zu Änderungen der Reibung in der
Schließvorrichtung kommen kann. Auch können Änderungen der
Umgebungsbedingungen der Schließvorrichtung zu Änderungen der Reibung bzw. der Schwergängigkeit der Schließvorrichtung führen. Beispielsweise hat eine geringere Umgebungstemperatur eine größere Schwergängigkeit zur Folge. Diese Änderungen der Schwergängigkeit der Schließvorrichtung führen zu, dass die dem Schließteil an der jeweiligen Schließposition entgegenwirkende Reibungskraft unter Umständen einen systemseitig einmal eingestellten Maximalwert überschreiten würde, der dann als Einklemmfall identifiziert werden würde, jedoch kein
Einklemmfall ist.
Da mittels des erfindungsgemäßen Verfahrens jedoch die zu erwartende
Reibungskraft an der jeweiligen Schließposition vorab abgeschätzt wird und diese zu erwartende Reibungskraft anschließend derart berücksichtigt wird, dass die Antriebseinheit mit einer die Reibungskraft überwindenden Soll-Antriebsleistung betrieben wird, können die im Laufe der Lebensdauer einer Schließvorrichtung auftretenden Änderungen wie auch die extern auf die Schließvorrichtung
einwirkenden Änderungen der Schwergängigkeit entsprechend berücksichtigt werden. Dadurch wird die Anzahl an fälschlicherweise detektierter Einklemmfälle (false positive Fälle) reduziert und die Zuverlässigkeit und Benutzerfreundlichkeit der Schließvorrichtung erhöht.
Die Verwendung eines maschinellen Lernverfahrens zur Ermittlung der jeweils zu erwartende Reibungskräfte hat zudem den Vorteil, dass keine aufwändigen Messungen der aktuell auftretenden Reibungskräfte an oder in der
Schließvorrichtung durchgeführt werden müssen. Stattdessen können durch das maschinelle Lernverfahren die jeweils aktuell zu erwartenden Reibungskräfte in Form der Reibungskraftdaten zuverlässig abgeschätzt werden, sodass die jeweils dann notwendige Soll-Antriebsleistung für die Antriebseinheit in Form der
Soll-Antriebsleistungsdaten ermittelt werden kann. Das erfindungsgemäße
Verfahren hat insbesondere in der Einschwingphase der Schließvorrichtung Vorteile, da dort Messungen der tatsächlich auftretenden Reibungskräfte nur schwer oder gar nicht durchführbar sind. Mittels des maschinellen Lernverfahrens können jedoch auch in dieser heiklen Phase basierend auf den vielen
Trainingsdaten zuverlässig Schätzwerte für die zu erwartenden Reibungskraftdaten in der Schließvorrichtung ermittelt werden. Da das maschinelle Lernverfahren zudem auf der Servereinrichtung und nicht etwa auf dem Steuergerät des
Fahrzeugs umgesetzt wird, können auch aufwendigere Modelle zur Ermittlung der Schätzwerte verwendet werden.
Das maschinelle Lernverfahren kann bspw. ein neuronales Netz sein, bei dem als Eingangsdaten zum Trainieren des neuronalen Netzes Reibungskraftreferenzdaten aus vorangegangenen bzw. vergangenen bzw. in der Vergangenheit getätigten Schließvorgängen, die beispielsweise während Test-, Trainings- und/oder
Validierungsfahrten des Fahrzeugs gesammelt wurden, verwendet werden. Das maschinelle Lernverfahren kann aber auch ein Entscheidungsbaum (regression tree oder boosted regression tree) sein.
Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens werden die Reibungskraftreferenzdaten basierend auf schließpositionsabhängigen
Lastmomentmessungen an einem Elektromotor der Antriebseinheit ermittelt. Diese Ausgestaltung beruht auf der Idee, dass das an dem Elektromotor der
Antriebseinheit anliegende Lastmoment Rückschlüsse auf Reibungskraftdaten bzw. Rückschlüsse auf die Schwergängigkeit der Schließvorrichtung zulässt. So ist das Lastmoment am Elektromotor in der Regel größer, wenn die Schwergängigkeit der Schließvorrichtung größer ist. Mittels Lastmomentmessungen am Elektromotor können die Reibungskraftreferenzdaten gewonnen werden, die später als
Trainingsdaten für das maschinelle Lernverfahren genutzt werden.
Gemäß einer weiteren Ausgestaltung des erfindungsgemäßen Verfahrens umfassen die Eingangsdaten zum Trainieren des maschinellen Lernverfahrens auch Daten, die eine Umgebungstemperatur des Fahrzeugs, eine Umgebungsluftfeuchtigkeit des Fahrzeugs und/oder eine Verstellgeschwindigkeit des Schließteils repräsentieren. So wurde beispielsweise erkannt, dass geringere Umgebungstemperaturen, geringere Umgebungsluftfeuchtigkeiten und/oder geringere Verstellgeschwindigkeiten des Schließteils auf eine erhöhte
Schwergängigkeit der Schließvorrichtung schließen lassen. Indem die
Eingangsdaten zum Trainieren des maschinellen Lernverfahrens auch Datensätze enthalten, die verschiedene Umgebungstemperaturen,
Umgebungsluftfeuchtigkeiten und/oder Verstellgeschwindigkeiten des Schließteils berücksichtigen, können die vom maschinellen Lernverfahren ermittelten
Reibungskraftdaten für die jeweilige Situation genau bestimmt werden.
Gemäß einer weiteren Ausgestaltung werden neben den
Reibungskraftreferenzdaten aus Test-, Trainings- und/oder Validierungsfahrten auch die eine aktuelle Schwergängigkeit repräsentierenden Reibungskraftdaten als zusätzlicher Eingangsdaten zum Trainieren des maschinellen Lernverfahrens verwendet. Mit anderen Worten werden die aus aktuellen Schließvorgängen gewonnenen bzw. geschätzten Reibungskraftdaten als zusätzliche Eingangsdaten zum Trainieren des maschinellen Lernverfahrens verwendet. Das maschinelle Lernverfahrens aktualisiert sich somit selbst, sodass bspw. auch
Alterungserscheinungen der Schließvorrichtung berücksichtigt werden können.
In einer besonders bevorzugten Ausgestaltung werden die eine aktuelle
Schwergängigkeit repräsentierenden Reibungskraftdaten aber nur dann zum Trainieren des maschinellen Lernverfahrens verwendet, wenn ein Triggerereignis auftritt. Das Triggerereignis kann ein internes Triggerereignis oder ein externes Triggerereignis sein.
Ein internes Triggerereignis ist beispielsweise eine vom Steuergerät des Fahrzeugs durchgeführte Eigendiagnose, bei der ein schließpositionsabhängiges aktuelles Lastmoment (ermittelt beispielsweise durch eine Messung am Elektromotor) mit dem durch das maschinelle Lernverfahren abgeschätzten Lastmoment für dieselbe Schließposition verglichen wird. Wird dann ermittelt, dass das aktuelle Lastmoment von dem mittels des maschinellen Lernverfahrens abgeschätzten Lastmoment um mehr als einen Schwellenwert abweicht, kann im Rahmen der Eigendiagnose ein internes Triggersignal ausgegeben werden, das die Notwendigkeit einer
Aktualisierung und damit die Notwendigkeit eines erneuten Trainings des maschinellen Lernverfahrens erforderlich macht. Die Eigendiagnose bzw.
Systemdiagnose, die letztlich als internes Triggerereignis zum Aktualisieren des maschinellen Lernverfahrens dienen kann, ist beispielsweise auf dem Steuergerät der Schließvorrichtung installiert. Ein externes Triggerereignis ist beispielsweise ein von einer Leitwarte oder einer externen Überwachungseinrichtung ausgegebenes Triggersignal, welches die Notwendigkeit einer Aktualisierung bzw. eines erneuten Trainings des maschinellen Lernverfahrens angibt. Die Leitwarte oder
Überwachungseinrichtung kann an einem externen Ort, d. h. außerhalb des Steuergeräts bzw. außerhalb der Servereinrichtung, angeordnet sein, was wiederum Bauraum spart. Die internen und externen Triggerereignisse ermöglichen es, eine Aktualisierung des maschinellen Lernverfahrens gezielt, d. h. nur bei Bedarf durchzuführen. Das spart Zeit und Rechenleistung.
Das erfindungsgemäße Verfahren kann als Com puterprogramm produkt
ausgebildet sein, das zumindest ein computerlesbares Speichermedium mit darauf gespeicherten, von einem Computer ausführbaren Programmcodeanweisungen aufweist, die zum Durchführen des Verfahrens bzw. Ausgestaltungen davon ausgebildet sind.
Gemäß einem zweiten Aspekt der vorliegenden Erfindung wird eine
Schließvorrichtung für ein Fahrzeug bereitgestellt. Die Schließvorrichtung umfasst ein Schließteil wie beispielsweise ein Fenster, eine Tür, ein Schiebedach oder eine Klappe (oder Heckklappe) des Fahrzeugs, das zum Schließen (wie auch zum Öffnen) einer entsprechenden Öffnung des Fahrzeugs ausgebildet ist. Die erfindungsgemäße Schließvorrichtung umfasst ferner eine elektromotorische Antriebseinheit zum Antreiben des Schließteils sowie ein Steuergerät, das zum Durchführen eines Verfahrens gemäß dem ersten Aspekt bzw. Ausgestaltungen davon ausgebildet ist. Mit der erfindungsgemäßen Schließvorrichtung kann das Schließteil zuverlässig geschossen und die Anzahl an„false positive“ Einklemmfällen reduziert werden.
Gemäß einem dritten Aspekt der vorliegenden Erfindung wird eine
Servereinrichtung bereitgestellt, die zum Durchführen eines Verfahrens gemäß dem ersten Aspekt bzw. Ausgestaltungen davon ausgebildet ist. In einer besonders bevorzugten Ausgestaltung ist die Servereinrichtung fahrzeugextern, d. h.
außerhalb des Fahrzeugs, ausgebildet. Dies hat den Vorteil, dass kein zusätzlicher Bauraum im Fahrzeug zum Durchführen des Verfahrens benötigt wird
Schließlich wird gemäß einem vierten Aspekt der vorliegenden Erfindung ein Kommunikationsendgerät bereitgestellt, das zum Durchführen eines Verfahrens gemäß dem ersten Aspekt bzw. Ausgestaltungen davon ausgebildet ist.
Erfindungsgemäß ist das Kommunikationsendgeräts fahrzeugextern und mobil ausgebildet. Beispielsweise kann das Kommunikationsendgerät ein Smartphone oder dergleichen sein. Dies hat den Vorteil, dass das erfindungsgemäße Verfahren auf mobilen Geräten, wie beispielsweise Smartphones, verwendet werden kann. Das Verfahren kann beispielsweise in Form eines Com puterprogramm produkts (App), die auf dem mobilen Kommunikationsendgerät ausführbar ist, durchgeführt werden.
Weitere Merkmale und Aufgaben der vorliegenden Erfindung werden dem
Fachmann durch Ausüben der vorliegenden Lehre und Betrachten der beiliegenden Zeichnungen ersichtlich. Es zeigen:
FIG 1 eine schematische Ansicht einer Ausführungsform einer
erfindungsgemäßen Schließvorrichtung, einer erfindungsgemäßen
Servereinrichtung und eines erfindungsgemäßen Kommunikationsendgeräts,
FIG 2 eine Prinzipskizze zur Veranschaulichung des erfindungsgemäßen
Verfahrens, FIG. 3 eine schematische Ansicht von schließpositionsabhängigen Motorstromdaten zur weiteren Veranschaulichung des erfindungsgemäßen Verfahrens und
FIG 4 eine schematische Ansicht eines Flussdiagramms, die eine
Ausführungsform des erfindungsgemäßen Verfahrens zeigt.
Elemente gleicher Konstruktion oder Funktion sind figurenübergreifend mit den gleichen Bezugszeichen versehen.
Es sei zunächst auf FIG 1 verwiesen, die ein Fahrzeug 10 mit einer
Schließvorrichtung 12 zeigt. Die Schließvorrichtung 12 weist ein Schließteil 14 das im konkreten Beispiel von FIG 1 als Fenster bzw. Fensterscheibe des Fahrzeugs 10 dargestellt ist, auf. In anderen Ausführungsformen kann das Schließteil 14 ein Schiebedach, eine Tür oder eine Klappe wie bspw. eine Fleckklappe des Fahrzeugs 10 sein. Das Schließteil 14 kann sich zwischen einer Offenstellung und
Geschlossenstellung derart bewegen, dass eine zum Schließteil 14 gehörende Öffnung 16 mittels des Schließteils 14 geöffnet bzw. geschlossen werden kann.
Die Schließvorrichtung 12 weist ferner eine elektromotorische Antriebseinheit 18 zum Antreiben des Schließteils 14 auf. Die elektromotorische Antriebseinheit 18 kann beispielsweise einen Elektromotor aufweisen, dessen Antriebsleistung zur Bewegung des Schließteils 14 zwischen der Offenstellung und
Geschlossenstellung führt. Die Schließvorrichtung 12 weist ferner ein Steuergerät 20 auf, das mit der elektromotorischen Antriebseinheit 18 bzw. dem Elektromotor betriebsmäßig verbunden ist und den Betrieb der Antriebseinheit 18 bzw. des Elektromotors steuert.
In FIG 1 sind ferner eine Servereinrichtung 22 sowie ein Kommunikationsendgerät 24 dargestellt. Die Servereinrichtung 22 ist dabei extern vom Fahrzeug 10 ausgebildet, d. h. die Servereinrichtung 22 ist außerhalb des Fahrzeugs 10 ausgebildet. Das Kommunikationsendgerät 24 ist ebenfalls extern vom Fahrzeug 10 ausgebildet und zudem mobil ausgebildet, sodass beispielsweise eine Person 26 das Kommunikationsendgerät 24 mit sich führen kann.
Sowohl das Steuergerät 20, als auch die Servereinrichtung 22 und das
Kommunikationsendgerät 24 sind dazu ausgebildet, ein in Zusammenhang mit FIGs 2 bis 4 erklärtes Verfahren zum Durchführen eines Schließvorgangs des Schließteils 14 durchzuführen.
Es sei nun auf FIG. 2 verwiesen, die eine Prinzipskizze zur Veranschaulichung des erfindungsgemäßen Verfahrens zum Durchführen eines Schließvorgangs des Schließteils 14 zeigt.
In FIG 2 sind wiederum das Steuergerät 20 und die Servereinrichtung 22 gezeigt. Das Steuergerät 20 ist beispielsweise im Fahrzeug 10 verbaut und ist mit
Sensoreinrichtungen 28 verbunden, die dem Steuergerät 20 Daten 30, die beispielsweise die Umgebungstemperatur oder die Umgebungsluftfeuchtigkeit des Fahrzeugs 10, die Position des Schließteils 14 oder die aktuelle
Verfahrgeschwindigkeit des Schließteils 14 repräsentieren, zur Verfügung stellen. Das Steuergerät 20 empfängt zudem weitere für den Elektromotor der
Antriebseinheit 18 spezifische Daten 30 wie zum Beispiel den Motorstrom oder die Motorspannung des Elektromotors. Aus Motorstrom- bzw. Motorspannungsdaten kann das Steuergerät 20 beispielsweise ein aktuelles Lastmoment an dem
Elektromotor der Antriebseinheit 18 ermitteln. Da das Steuergerät 20 immer auch die aktuelle Position des Schließteils 14 erfasst, kann das aktuelle Lastmoment des Elektromotors in Abhängigkeit von der jeweiligen Position bzw. Schließposition des Schließteils 14 ermittelt werden.
Basierend auf diesen Daten 30 können nun mittels eines Modells 32, das näher in Zusammenhang mit der Servereinrichtung 22 beschrieben wird, Schätzwerte für Reibungskraftdaten, die eine aktuelle Schwergängigkeit der Schließvorrichtung 12 repräsentieren, ermittelt werden. Diese Reibungskraftdaten repräsentieren im Wesentlichen die an der jeweiligen Schließposition des Schließteils 14 zu erwartende Reibungskraft, die dem Schließteil 14 bei seiner Bewegung von der Offenstellung in die Geschlossenstellung entgegenwirkt. Mit anderen Worten wird mit den geschätzten Reibungskraftdaten der zu erwartende Widerstand beim Schließen des Schließteils 14 abgeschätzt. Diese Schätzwerte sind insbesondere in der Anlauf- bzw. Einschwingphase der Schließvorrichtung 12 relevant, da in dieser Phase (erste 1 -3 cm Verstellweg) der Bewegung des Schließteils 14 die mechanischen Komponenten der Schließvorrichtung 12 einlaufen und/oder vorgespannt werden müssen und/oder beispielsweise ein Spielausgleich der Seil oder Bowdenzüge erfolgen muss. Das Einlaufen bzw. Einschwingen der
Komponenten der Schließvorrichtung 12 führt zu einer schließpositionsabhängigen Reibungskraft bzw. Schwergängigkeit, die dem Schließteil 14 bei seiner Bewegung von der Offenstellung in die Geschlossenstellung entgegenwirkt. Diese
Schwergängigkeit wird mithilfe des Modells 32 in Form von Reibungskraftdaten abgeschätzt, ohne aktuelle zusätzliche Messungen an der Antriebseinheit 18 bzw. an dem Elektromotor durchzuführen.
Wie bereits erwähnt wurde, werden die geschätzten Reibungskraftdaten mittels eines Modells 32 ermittelt. Das Modell 32 beruht dabei auf einem maschinellen Lernverfahren 34, das auf der Servereinrichtung 22 durchgeführt wird. Das maschinelle Lernverfahren 34 nutzt dabei unter anderem die Daten 30, die von den Sensoreinrichtungen 28 an die Servereinrichtung 22 übermittelt werden und dort als Eingangsdaten 36 zum Trainieren das maschinellen Lernverfahrens 34 verwendet werden. Diese Eingangsdaten 36 umfassen somit nicht nur Daten, die
beispielsweise die Position des Schließteils 14 oder die Verfahrgeschwindigkeit des Schließteils 14 angeben, sondern auch Daten, die die Umgebungstemperatur oder die Umgebungsluftfeuchtigkeit des Fahrzeugs 10 repräsentieren.
Mithilfe der Eingangsdaten 36 wird das maschinellen Lernverfahren 34 trainiert, um schließlich das Modell 32 zu erzeugen, welches die Reibungskraftdaten, die die zu erwartende Schwergängigkeit der Schließvorrichtung repräsentieren, für die jeweilige Schließposition des Schließteils 14 liefert.
Die Eingangsdaten 36 werden beispielsweise während Test-, Trainings- oder Validierungsfahrten des Fahrzeugs 10 erzeugt und sind letztlich das Ergebnis aus bereits getätigten, d. h. in der Vergangenheit vollzogenen bzw. bereits
durchgeführten Schließvorgängen des Schließteils 14. Man kann sich die
Eingangsdaten 36 also so vorstellen, dass beispielsweise während der
verschiedensten Test-, Trainings- oder Validierungsfahrten in den verschiedensten Umgebungsbedingungen (d. h. bei verschiedenen Umgebungstemperaturen und/oder verschiedenen Umgebungsluftfeuchtigkeiten) das Schließteil 14 des Fahrzeugs 10 mehrmals und in ausreichender Anzahl bewegt wurde und während der Bewegung des Schließteils 14 schließpositionsabhängige
Lastmomentmessungen am Elektromotor der Antriebseinheit 18 durchgeführt wurden. Diese schließpositionsabhängigen Lastmomente wurden dann zu in der jeweiligen Umgebung des Fahrzeugs 10 tatsächlich auftretenden
Reibungskraftdaten umgerechnet und sind als Reibungskraftreferenzdaten zum Trainieren des maschinellen Lernverfahren 34 hinterlegt worden. Basierend auf diesen Reibungskraftreferenzdaten kann dann das maschinelle Lernverfahren 34 für die jeweilige Umgebungsbedingung des Fahrzeugs 10
schließpositionsabhängige Schätzwerte für die aktuell zu erwartenden
Reibungskräfte in der Schließvorrichtung 12 angeben, ohne dass bei einem erneuten Schließvorgang des Schließteils 14 die tatsächlichen Werte der in der jeweiligen Schließposition auftretenden Reibungskraft gemessen werden müsste.
Das maschinelle Lernverfahren 34 ermöglicht also eine rechnerische bzw.
theoretische Abschätzung der tatsächlich auftretenden Reibungskraftdaten für die jeweiligen Schließposition des Schließteils 14. Diese rechnerische bzw.
theoretische Abschätzung basiert auf den tatsächlich im Vorfeld ermittelten Daten, die als Eingangsdaten 36 zum Trainieren des maschinellen Lernverfahrens 34 ermittelt wurden. Mithilfe des maschinellen Lernverfahrens 34 ist es somit nicht mehr notwendig, für einen aktuellen Schließvorgang des Schließteils 14 die tatsächliche Schwergängigkeit der Schließvorrichtung 12 bzw. die tatsächlich auftretenden Reibungskraftdaten zu bestimmen. Stattdessen werden die tatsächlich auftretenden Reibungskraftdaten mittels des maschinellen
Lernverfahrens 34 und des daraus ermittelten Modells 32 abgeschätzt. Wie bereits mehrfach erwähnt wurde, ist diese Abschätzung insbesondere in der
Einschwingphase der Schließvorrichtung 12 von Vorteil, da hier nur sehr schwer - oder gar keine - Messdaten, die die Schwergängigkeit der Schließvorrichtung 12 repräsentieren, ermittelt werden können.
Wie ferner in FIG 2 zu erkennen ist, werden neben den Eingangsdaten 36 zum Trainieren des maschinellen Lernverfahrens 34 auch die eine aktuelle
Schwergängigkeit repräsentierenden Reibungskraftdaten 38 als zusätzliche Eingangsdaten zum Trainieren des maschinellen Lernverfahrens 34 berücksichtigt. Mit anderen Worten werden die zusätzlich ermittelten und/oder geschätzten Reibungskraftdaten als zusätzliche Eingangsdaten zum Trainieren des
maschinellen Lernverfahrens 34 berücksichtigt. Dies hat den Vorteil, dass das System sich selbst aktualisieren kann und auch auftretende
Alterungserscheinungen der Schließvorrichtung 12, wozu beispielsweise ein mechanischer Abrieb der Führungen, ein sich vergrößerndes Seilspiel,
Alterungserscheinungen der Federn etc. zählen können, berücksichtigt werden können.
Allerdings muss die Aktualisierung des maschinellen Lernverfahrens 34 nicht bei jedem neuen Schließvorgang des Schließteils 14 erfolgen. Vielmehr kann die Aktualisierung abhängig sein von sogenannten Triggerereignissen. Diese
Triggerereignisse können unterteilt werden in interne und externe
Triggerereignisse.
Ein internes Triggerereignis ist beispielsweise eine vom Steuergerät 20 des Fahrzeugs 10 durchgeführte System- oder Eigendiagnose 40. Dabei wird ein aktuelles schließpositionsabhängiges Lastmoment (ermittelt beispielsweise durch eine Lastmomentmessung am Elektromotor) mit dem durch das maschinelle Lernverfahren abgeschätzten Lastmoment für dieselbe Schließposition verglichen. Falls das aktuelle Lastmoment von dem mittels des maschinellen Lernverfahrens abgeschätzten Lastmoment um mehr als einen Schwellenwert abweicht, kann im Rahmen der System- oder Eigendiagnose 40 dann ein internes Triggersignal ausgegeben werden, das die Notwendigkeit einer Aktualisierung des Modells 32 und damit die Notwendigkeit eines erneuten Trainings des maschinellen
Lernverfahrens 34 erforderlich macht. Ein externes Triggerereignis ist beispielsweise ein von einer Leitwarte oder einer externen Überwachungseinrichtung ausgegebenes externes Triggersignal 42, welches die Notwendigkeit einer Aktualisierung des Modells 32 bzw. die
Notwendigkeit eines erneuten Trainings des maschinellen Lernverfahrens 34 kennzeichnet. Das externe Triggersignal 42 kann beispielsweise von der Leitwarte dann ausgegeben werden, wenn externe Effekte (bspw. Aktualisierung der
Steuerungssoftware, Änderungen an der Schließvorrichtung etc.) eine
Aktualisierung des Modells 32 erforderlich machen.
Mithilfe der internen und externen Triggerereignisse kann eine Aktualisierung des maschinellen Lernverfahrens 34 und damit eine Aktualisierung des Modells 32 gezielt, d. h. nur bei Bedarf, angestoßen werden. Besonders sinnvoll ist es, die Reibungskraftdaten 38 insbesondere für den Fall, dass eine Aktualisierung des maschinellen Lernverfahrens 34 notwendig ist, als zusätzliche Eingangsdaten zum Trainieren des maschinellen Lernverfahrens 34 zu verwenden. Denn in diesem Fall werden auch die bereits ermittelten bzw. historischen Reibungskraftdaten zur Aktualisierung und Weiterentwicklung des maschinellen Lernverfahrens 34 berücksichtigt.
Es sei nun auf FIG 3 verwiesen, die eine schematischen Ansicht von
Motorstromwerten (y-Achse) in Abhängigkeit der Schließposition (x-Achse) des Schließteils 14 zeigt. Die Schließposition ist dabei in FIG 3 so angegeben, dass eine Bewegung des Schließteil 14 von links (im Bereich von 400 mm) nach rechts (in Richtung hin zu einer Position von 0 mm) die Öffnung 16 des Fahrzeugs 10 schließt. Mit anderen Worten befindet sich das Schließteil 14 auf der linken Seite des Graphen von FIG 3 in seiner Offenstellung und auf der rechten Seite in seiner Geschlossenstellung.
Wie ferner in FIG 3 zu erkennen ist, sind zwei Kurven gezeigt. Eine erste Kurve 44, die als strichpunktierte Kurve dargestellt ist, ist eine Kurve von Motorstromwerten, die dem Fachmann aus dem Stand der Technik bekannt ist. Die erste Kurve 44 stellt das Ergebnis einer schließpositionsabhängigen Lastmomentmessung am Elektromotor der Antriebseinheit 18 dar. Wenn sich das Schließteil 14 in seiner Offenstellung befindet, d. h. in einem Bereich bei einer Position von ca. 400 mm oder mehr, ergibt sich im konkreten Beispiel beispielsweise ein Motorstrom von knapp unter 5 A. Auf dem Weg zur Geschlossenstellung, d. h. in einem Bereich bei einer Position von ca. 0 mm, steigt der Motorstrom kontinuierlich an. Wenn das Schließteil 14 die Dichtung an der Öffnung 16 erreicht, kommt es aufgrund des erhöhten Widerstands zu einem sprunghaften Anstieg des Motorstroms (dargestellt durch den Pfeil 48). Der Motorstrom steigt weiter (siehe Pfeil 50), bis das
Schließteils 14 schließlich die Geschlossenstellung erreicht hat. Ein derartiger Verlauf ist dem Fachmann aus dem Stand der Technik geläufig.
Zusätzlich zur Kurve 44 ist in FIG 3 jedoch noch eine gegenüber der Kurve 44 verschobene zweite Kurve 46 dargestellt. Wie zu erkennen ist, ist die zweite Kurve 46 gegenüber der ersten Kurve 44 nach oben, d. h. hin zu höheren
Motorstromwerten verschoben. Wie ferner zu erkennen ist, ist der Abstand (Pfeil 52) zwischen den Kurven 44 und 46 im Bereich der Offenstellung kleiner als der Abstand (Pfeil 54) zwischen den Kurven 44 und 46 im Bereich der
Geschlossenstellung. Zudem ist eine lokale Erhöhung des Motorstroms bei einer Position im Bereich von ca. 300 mm (Pfeil 56) vorhanden.
Die Kurve 46 repräsentiert Soll-Antriebsleistungsdaten der Antriebseinheit 18, also diejenigen Antriebsleistungsdaten, mit denen der Elektromotor der Antriebseinheit 18 zu betreiben ist bzw. die sich bei entsprechendem Betrieb des Elektromotors einstellen, wobei die Soll-Antriebsleistungsdaten derart gewählt sind, dass das Schließteil 14 die mittels des maschinellen Lernverfahrens 34 ermittelten
Reibungskraftdaten an der jeweiligen Schließposition überwinden kann. Mit anderen Worten: Wenn beispielsweise das maschinelle Lernverfahren 34 im Bereich der Offenstellung eine etwas erhöhte Schwergängigkeit der
Schließvorrichtung 12 vorhersagt, dann wird diese erhöhte Schwergängigkeit in eine Soll-Antriebsleistung umgerechnet, die die erhöhte Schwergängigkeit berücksichtigt. Die Folge ist, dass das Schließteil 14 nicht mehr mit
Soll-Antriebsleistungsdaten gemäß Kurve 44, sondern mit
Soll-Antriebsleistungsdaten gemäß Kurve 46 betrieben wird. Im Bereich der Offenstellung wird somit die Soll-Antriebsleistung etwas erhöht sein (Pfeil 52), sodass das Schließteil 14 auch bei lokal erhöhtem Wiederstand problemlos in Richtung der Geschlossenstellung bewegt werden kann. Wenn das maschinelle Lernverfahren 34 bspw. eine kontinuierliche Zunahme der lokalen
Schwergängigkeit von der Offenstellung bis zur Geschlossenstellung des
Schließteils 14 vorhersagt, wird dies in kontinuierlich größeren
Soll-Antriebsleistungsdaten resultieren. Dies ist exemplarisch dadurch dargestellt, dass der Abstand im Bereich der Geschlossenstellung (Pfeil 54) größer ist als im Bereich der Offenstellung (Pfeil 52) ist.
Das maschinelle Lernverfahren kann aber auch eine lokale begrenzte Erhöhung der Schwergängigkeit (Pfeil 56) Vorhersagen. Diese lokal begrenzte Erhöhung kann beispielsweise durch eine Verschmutzung in der Führung, durch Korrosion etc. auftreten. Wenn das maschinelle Lernverfahren für diesen Bereich eine lokal erhöhte Schwergängigkeit vorhersagt, wird für diesen Bereich die
Soll-Antriebsleistung (Pfeil 56) entsprechend weiter erhöht.
Die Folge der Anpassung der Soll-Antriebsleistung von Kurve 44 auf Kurve 46 ist, dass bei im Verlauf der Benutzung der Schließvorrichtung 12 auftretenden
Alterungserscheinungen, bei lokal auftretenden Schwergängigkeiten und/oder bei durch externe Einflüsse (Veränderungen der Umgebungstemperatur und/oder Umgebungsluftfeuchtigkeit) bewirkte Schwergängigkeitsänderungen die
Antriebseinheit 18 bzw. deren Elektromotor immer mit der entsprechend
angepassten Soll-Antriebsleistung betrieben wird. Dadurch wird eine Erhöhung der Schwergängigkeit nicht sofort als Einklemmfall bzw. Reversierfall erkannt, da die Erhöhung der Schwergängigkeit nicht die Folge eines Einklemmens eines
Objektes, sondern die Folge eines schließvorrichtungsimmanenten Verhaltens (Umgebungstemperatur, Umgebungsluftfeuchtigkeit, Alterungserscheinung, Korrosion, Verschmutzung etc.) ist. Stattdessen wird sichergestellt, dass auch bei schließvorrichtungsimmanenten Änderungen der Schwergängigkeit immer eine ausreichend große Soll-Antriebsleistung vorgegeben wird. Dies hat zur Folge, dass Änderungen der Schwergängigkeit nicht gleich als Einklemmfall klassifiziert werden und die Anzahl an„false positive“ Einklemmfällen, also die Anzahl an denjenigen Einklemmfällen, die versehentlich als Einklemmfall klassifiziert wurden, obwohl tatsächlich nur ein Fall von lokaler Erhöhung der Schwergängigkeit vorlag, verringert wird.
Es sei abschließend noch auf FIG 4 verwiesen, die eine schematische Ansicht eines Flussdiagramms einer Ausführungsform des erfindungsgemäßen Verfahrens zeigt.
Das Verfahren startet mit dem Schritt 400.
Im darauffolgenden Schritt 402 erfolgt die Ermittlung von Reibungskraftdaten mittels des maschinellen Lernverfahrens 34. Das maschinelle Lernverfahren 34 wird dabei basierend auf Reibungskraftreferenzdaten, die als Eingangsdaten 36 aus vorangegangenen Schließvorgängen des Schließteils 14 resultieren, trainiert. Bei den Eingangsdaten 36 werden die über die Sensoreinrichtung 28 zur Verfügung gestellten Daten 30 verwendet. Dazu zählen auch Daten, die durch
schließpositionsabhängige Lastmomentmessungen, die an dem Elektromotor der Antriebseinheit 18 während der Test-, Trainings- und Validierungsfahrten durchgeführt wurden, ermittelt wurden. Da diese Fahrten bei unterschiedlichen Umgebungstemperaturen und Umgebungsluftfeuchtigkeiten durchgeführt wurden und die Daten 30 auch die jeweils vorliegende Umgebungstemperatur bzw.
Umgebungsluftfeuchtigkeit berücksichtigen, enthalten die Eingangsdaten 36 auch Datensätze zu unterschiedlichen Umgebungstemperaturen und
Umgebungsluftfeuchtigkeiten, mit denen das maschinelle Lernverfahren 34 trainiert wird. Dadurch ist es möglich, für die jeweilige Umgebungssituation des Fahrzeugs 10 zuverlässige Reibungskraftdaten, die die zu erwartende Schwergängigkeit repräsentieren, zu ermitteln.
Im nächsten Schritt 404 werden Soll-Antriebsleistungsdaten ermittelt, die die im Schritt 402 ermittelten Reibungskraftdaten berücksichtigen. Die Berücksichtigung der Reibungskraftdaten erfolgt dadurch, dass die Soll-Antriebsleistungsdaten derart gewählt sind, dass das Schließteil 14 bei seiner Bewegung von der Offenstellung in die Geschlossenstellung zumindest die ihm an der jeweiligen Schließposition entgegenwirkende Reibungskraft, die durch die Reibungskraftdaten abgeschätzt wird, überwinden kann.
Schließlich wird in einem Schritt 406 die Antriebseinheit 18 bzw. der Elektromotor der Antriebseinheit 18 basierend auf den im Schritt 404 ermittelten
Soll-Antriebsleistungsdaten betrieben, um den Schließvorgang des Schließteils 14 bei zumindest einem darauffolgenden Schließvorgang durchzuführen. Beim Betrieb der Antriebseinheit 18 stellt sich dann beispielsweise eine wie in FIG 3 gezeigte Kurve 46 ein, sodass das Schließteil 14 auch bei lokal erhöhten
Schwergängigkeiten sicher und zuverlässig von der Offenstellung in die
Geschlossenstellung bewegt werden kann, ohne einen„false positive“ Einklemmfall (bspw. im Bereich von 300 mm - Pfeil 56) zu bestimmen.
Das Verfahren endet schließlich beim Schritt 408.
Wie bereits eingangs erwähnt wurde, kann das in Zusammenhang mit FIGs 2 bis 4 beschriebene Verfahren entweder direkt auf dem Steuergerät 20 oder auf der Servereinrichtung 22 oder auf dem mobilen Kommunikationsendgerät 24
durchgeführt werden. Vorzugsweise wird das Verfahren nicht auf dem Steuergerät 20 durchgeführt, um Rechenleistung, Bauraum und Kosten beim Steuergerät 20 zu sparen.

Claims

Patentansprüche
1. Verfahren zum Durchführen eines Schließvorgangs eines von einer elektromotorischen Antriebseinheit (18) angetriebenen Schließteils (14) einer Schließvorrichtung (12) eines Fahrzeugs (10), wobei das Verfahren die folgenden Schritte aufweist:
Ermitteln von eine aktuelle Schwergängigkeit der Schließvorrichtung (12) repräsentierenden Reibungskraftdaten mittels eines maschinellen Lernverfahrens (34), das mit Reibungskraftreferenzdaten als Eingangsdaten (36) aus
vorangegangenen Schließvorgängen trainiert ist, wobei die Eingangsdaten (36) an eine Servereinrichtung (22) übermittelt werden, die dazu ausgebildet ist, die Reibungskraftdaten mittels des maschinellen Lernverfahrens (34) zu ermitteln, Ermitteln von die Reibungskraftdaten berücksichtigenden
Soll-Antriebsleistungsdaten für die Antriebseinheit (18) und
Betreiben der Antriebseinheit (18) basierend auf den ermittelten
Soll-Antriebsleitungsdaten zum Durchführen des Schließvorgangs bei zumindest einem darauffolgenden Schließvorgang.
2. Verfahren nach Anspruch 1 , wobei die Reibungskraftreferenzdaten basierend auf schließpositionsabhängigen Lastmomentmessungen an einem Elektromotor der Antriebseinheit (18) ermittelt sind.
3. Verfahren nach einem der Ansprüche 1 oder 2, wobei die Eingangsdaten (36) ferner Daten (30), die eine Umgebungstemperatur des Fahrzeugs (10), eine Umgebungsluftfeuchtigkeit des Fahrzeugs (10) und/oder eine
Verstellgeschwindigkeit des Schließteils (14) repräsentieren, mit umfassen.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei die eine aktuelle Schwergängigkeit repräsentierenden Reibungskraftdaten als zusätzliche Eingangsdaten (38) zum Trainieren des maschinellen Lernverfahrens (34) verwendet werden.
5. Verfahren nach Anspruch 4, wobei die Reibungskraftdaten nur in
Abhängigkeit eines Triggerereignisses (40, 42) zum Trainieren des maschinellen Lernverfahrens verwendet werden 6. Schließvorrichtung (12) für ein Fahrzeug (10), mit:
einem Schließteil (14) zum Schließen einer Öffnung (16) des Fahrzeugs
(10),
einer elektromotorischen Antriebseinheit (18) zum Antreiben des
Schließteils (14) und
- einem Steuergerät (20), das zum Durchführen eines Verfahrens nach einem der vorhergehenden Ansprüche ausgebildet ist.
7. Servereinrichtung (22), das zum Durchführen eines Verfahren nach einem der Ansprüche 1 bis 5 ausgebildet ist.
8. Servereinrichtung (22) nach Anspruch 7, wobei die Servereinrichtung (22) fahrzeugextern ausgebildet ist
9. Kommunikationsendgerät (24), das zum Durchführen eines Verfahrens nach einem der Ansprüche 1 bis 5 ausgebildet ist, wobei das
Kommunikationsendgerät (24) fahrzeugextern und mobil ausgebildet ist.
PCT/EP2020/071355 2019-08-01 2020-07-29 VERFAHREN ZUM DURCHFÜHREN EINES SCHLIEßVORGANGS, SCHLIEßVORRICHTUNG, SERVEREINRICHTUNG UND KOMMUNIKATIONSENDGERÄT ZUM DURCHFÜHREN EINES DERARTIGEN VERFAHRENS WO2021018943A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/632,012 US20220268081A1 (en) 2019-08-01 2020-07-29 Method for carrying out a closing operation, closing device, server apparatus and communication terminal for carrying out a method of this type

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019211611.6A DE102019211611A1 (de) 2019-08-01 2019-08-01 Verfahren zum Durchführen eines Schließvorgangs, Schließvorrichtung, Servereinrichtung und Kommunikationsendgerät zum Durchführen eines derartigen Verfahrens
DE102019211611.6 2019-08-01

Publications (1)

Publication Number Publication Date
WO2021018943A1 true WO2021018943A1 (de) 2021-02-04

Family

ID=71894803

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/071355 WO2021018943A1 (de) 2019-08-01 2020-07-29 VERFAHREN ZUM DURCHFÜHREN EINES SCHLIEßVORGANGS, SCHLIEßVORRICHTUNG, SERVEREINRICHTUNG UND KOMMUNIKATIONSENDGERÄT ZUM DURCHFÜHREN EINES DERARTIGEN VERFAHRENS

Country Status (3)

Country Link
US (1) US20220268081A1 (de)
DE (1) DE102019211611A1 (de)
WO (1) WO2021018943A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020105319A1 (de) * 2020-02-28 2021-09-02 Gebr. Bode Gmbh & Co. Kg Verfahren zur Hinderniserkennung bei einer Zugangsvorrichtung
DE102022115974A1 (de) 2022-06-27 2023-12-28 Brose Fahrzeugteile Se & Co. Kommanditgesellschaft, Bamberg Verstellsystem und Betriebsverfahren mit Adaptionsroutine

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3303590A1 (de) * 1983-02-03 1984-08-09 Küster & Co GmbH, 6332 Ehringshausen Elektromotorisch angetriebener fensterheber mit einer sicherheitsschaltung
DE19745597A1 (de) * 1997-10-07 1999-04-08 Brose Fahrzeugteile Verfahren zur Steuerung und Regelung der Verstellbewegung eines translatorisch verstellbaren Bauteils in Fahrzeugen
DE102006023330A1 (de) * 2006-05-11 2007-11-15 Brose Fahrzeugteile Gmbh & Co. Kommanditgesellschaft, Coburg Verfahren und Vorrichtung zum Verstellen einer rahmenlosen Fensterscheibe eines Kraftfahrzeugs
DE102007056228A1 (de) * 2007-11-22 2009-06-04 Continental Automotive Gmbh Verfahren und Vorrichtung zur Korrektur von temperaturabhängigen Änderungen der mechanischen Eigenschaften eines beweglichen Schließteils eines Fahrzeugs
US10030432B1 (en) * 2017-06-20 2018-07-24 Ford Global Technologies, Llc System and method for window motion control

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE9217563U1 (de) * 1992-12-22 1993-04-01 Uher AG für Zähler und elektronische Geräte, Wien Steuereinheit zur Steuerung eines motorangetriebenen Verschlusses, z.B. eines Kfz-Fensterhebers oder Kfz-Dachlukenverschlusses
DE4442171A1 (de) * 1994-11-26 1996-06-13 Telefunken Microelectron Verfahren zur Überwachung des Öffnungs- und Schließvorgangs bei einem System mit mindestens einem elektromotorisch bewegten Teil
SG71932A1 (en) * 1998-07-30 2000-04-18 Inventio Ag Method of force limitation for automatic elevator doors
EP1324276B1 (de) * 2001-12-28 2008-10-15 Matsushita Electric Works, Ltd. Verwendung eines elektronischen Schlüssels und elektronisches Sicherheitssystem

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3303590A1 (de) * 1983-02-03 1984-08-09 Küster & Co GmbH, 6332 Ehringshausen Elektromotorisch angetriebener fensterheber mit einer sicherheitsschaltung
DE19745597A1 (de) * 1997-10-07 1999-04-08 Brose Fahrzeugteile Verfahren zur Steuerung und Regelung der Verstellbewegung eines translatorisch verstellbaren Bauteils in Fahrzeugen
DE102006023330A1 (de) * 2006-05-11 2007-11-15 Brose Fahrzeugteile Gmbh & Co. Kommanditgesellschaft, Coburg Verfahren und Vorrichtung zum Verstellen einer rahmenlosen Fensterscheibe eines Kraftfahrzeugs
DE102007056228A1 (de) * 2007-11-22 2009-06-04 Continental Automotive Gmbh Verfahren und Vorrichtung zur Korrektur von temperaturabhängigen Änderungen der mechanischen Eigenschaften eines beweglichen Schließteils eines Fahrzeugs
US10030432B1 (en) * 2017-06-20 2018-07-24 Ford Global Technologies, Llc System and method for window motion control

Also Published As

Publication number Publication date
US20220268081A1 (en) 2022-08-25
DE102019211611A1 (de) 2021-02-04

Similar Documents

Publication Publication Date Title
EP1726076B1 (de) Verfahren zum überwachen der verstellbewegung eines von einer antriebseinrichtung angetriebenen bauteils
EP1552973B1 (de) Steuerungsvorrichtung einer Verstelleinrichtung eines Kraftfahrzeugs, insbesondere eines Kraftfahrzeugsfensterhebers
EP2342790B1 (de) VERFAHREN UND VORRICHTUNG ZUM AKTIVIEREN EINER ÜBERWACHUNG DURCH EINE EINKLEMMSCHUTZFUNKTION BEI EINEM ELEKTRISCHEN SCHLIEßSYSTEM
EP1963607B1 (de) Steuerungssystem zur steuerung einer elektromotorisch betriebenen verstelleinrichtung in einem kraftfahrzeug
DE102006023330A1 (de) Verfahren und Vorrichtung zum Verstellen einer rahmenlosen Fensterscheibe eines Kraftfahrzeugs
EP1256154B1 (de) Verfahren zum elektronischen überwachen und steuern eines prozesses zum verstellen beweglicher teile
WO2010124927A2 (de) Verfahren und vorrichtung zum erkennen einer einklemmsituation
WO2021018943A1 (de) VERFAHREN ZUM DURCHFÜHREN EINES SCHLIEßVORGANGS, SCHLIEßVORRICHTUNG, SERVEREINRICHTUNG UND KOMMUNIKATIONSENDGERÄT ZUM DURCHFÜHREN EINES DERARTIGEN VERFAHRENS
EP2153000A1 (de) Verfahren und einrichtung zum betreiben einer elektromechanischen verstellvorrichtung
WO2002023691A1 (de) Verfahren zur berücksichtigung der fahrzeugneigung bei betätigung von schliessteilsystemen an kraftahrzeugen
EP1487078B1 (de) Verfahren zum Initialisieren einer fremdkraftbetätigten Verstellvorrichtung und Vorrichtung zur Durchführung des Initialisierungsverfahrens
DE102016213083B4 (de) Verfahren zum Bewegen einer Klappe eines Kraftwagens und Klappenanordnung
DE102019114540A1 (de) Funktionskomponente einer Kraftfahrzeugschlossanordnung
DE102016220151A1 (de) Verfahren und System zur Positionsbestimmung eines Fahrzeugaußenteils
DE112018001091T5 (de) Antriebsvorrichtung für einen Öffnungs- und Schließkörper
EP1573411A1 (de) Verfahren und vorrichtung zur positionsabhängigen steuerung eines verstellelementes in einem kraftfahrzeug
DE102019104598A1 (de) Verfahren zur Ansteuerung einer Antriebsanordnung für eine Klappe eines Kraftfahrzeugs
DE102019107024A1 (de) Antriebsanordnung zur motorischen Verstellung eines Verschlusselements eines Kraftfahrzeugs
DE102018205342A1 (de) Verfahren zum Betrieb eines Einklemmschutzes
DE102008003580A1 (de) Verfahren und Vorrichtung zum Ermitteln einer Referenzposition eines von einem Elektromotor bewegten Schließteils
DE102005018013A1 (de) Verfahren zum definierten Schließen einer Fensterscheibe eines Kraftfahrzeuges
DE102013220904B4 (de) Verfahren und System zur Regelung einer Antriebseinheit
DE102021103300A1 (de) Verfahren zum Betrieb einer motorischen Klappenanordnung
DE202005003568U1 (de) Steuerungsvorrichtung für eine Verstelleinrichtung eines Kraftfahrzeugteiles
DE102007030656A1 (de) Verfahren zum Erkennen eines Einklemmfalles sowie Verstelleinrichtung

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20749850

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20749850

Country of ref document: EP

Kind code of ref document: A1