WO2024052067A1 - Erzeugen eines steuersignals für ein elektronisches modul mittels eines neuronalen netzwerks - Google Patents

Erzeugen eines steuersignals für ein elektronisches modul mittels eines neuronalen netzwerks Download PDF

Info

Publication number
WO2024052067A1
WO2024052067A1 PCT/EP2023/072576 EP2023072576W WO2024052067A1 WO 2024052067 A1 WO2024052067 A1 WO 2024052067A1 EP 2023072576 W EP2023072576 W EP 2023072576W WO 2024052067 A1 WO2024052067 A1 WO 2024052067A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
electronic module
control signal
input data
data
Prior art date
Application number
PCT/EP2023/072576
Other languages
English (en)
French (fr)
Inventor
Daniel Meindl
Original Assignee
Zf Friedrichshafen Ag
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 Zf Friedrichshafen Ag filed Critical Zf Friedrichshafen Ag
Publication of WO2024052067A1 publication Critical patent/WO2024052067A1/de

Links

Classifications

    • 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
    • G05B13/027—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 using neural networks only
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49204—Control of heat to compensate for dilatation, thermal displacement

Definitions

  • the present invention relates to a method for generating a control signal for an electronic module using a neural network. For this purpose, temperature-dependent expansion coefficients of the electronic module are determined by the neural network and the control signal is output depending on these expansion coefficients.
  • the invention also relates to a method for training a neural network which is designed to generate a control signal for an electronic module.
  • the invention further relates to an associated control device for generating a control signal for an electronic module by means of a neural network.
  • Electromechanical components such as voltage converters, consist of a large number of individual components that are interconnected. During operation, these components are exposed to changing current levels, which leads to thermal stress on the components. In order to determine damage to components, complex structural, mechanical and thermal simulations are generally necessary. These simulations are very computationally intensive and time-consuming. It is therefore desirable to shorten the computing time required to detect damage to these components.
  • the invention relates to a method for generating a control signal for an electronic module using a neural network.
  • An electronic module can include electrically conductive, electrically insulating and semiconductor components.
  • an electronic module electrically conductive wires, an electrically insulating base body and transistors or diodes, which are electrically conductive under certain conditions.
  • direct voltage can be converted into alternating voltage or alternating voltage into direct voltage.
  • a control signal can be an electrical signal that is transmitted from or to the electronic module.
  • the electronic signal can contain control data.
  • at least one operating parameter of the electronic module for example a current strength or electrical voltage of the same, can be influenced.
  • the control signal can be transmitted from the electronic module to an evaluation unit in order to determine at least one operating parameter of the electronic module, for example a temperature of the same.
  • a neural network can be understood as a mathematical model that at least partially replicates the structure of the neurons in the human brain.
  • the neural network can be created using a computer.
  • the neural network may include input nodes, output nodes, and a plurality of intermediate nodes disposed between the input nodes and the output nodes.
  • the input nodes can be, for example, data interfaces via which input data can be entered into the neural network.
  • the output nodes can be, for example, data interfaces via which output data from the neural network can be output.
  • the input nodes may be connected to the intermediate nodes and the intermediate nodes may be connected to each other.
  • the intermediate nodes can be connected to the output nodes.
  • the input data can be historical data collected at a specific point in time. Alternatively or additionally, the input data can be synthetic data that was generated by processing recorded or measured data. Analogously, the output data can be historical data or synthetic data.
  • Information can be stored at least temporarily on the intermediate nodes. It can be provided that at least one on the intermediate nodes Arithmetic operation is carried out.
  • the input data can be transferred from the input nodes to the output nodes via the intermediate nodes. During this transfer, the input data can be processed mathematically, for example converted into the output data.
  • the intermediate nodes of the neural network can be arranged in one or more layers or levels. The intermediate nodes can be connected to one another within a layer. In addition, the intermediate nodes of one layer can be connected to the intermediate nodes of other layers.
  • the individual connections of the input nodes, the intermediate nodes and the output nodes can be provided with mathematical weights. Depending on the purpose of the neural network, the individual weights of the connections can be different.
  • the weights can be changed during training of the neural network.
  • the neural network can learn a connection between the input data and the output data. While using the neural network for its intended purpose, the learned context from the neural network can be applied to input data to produce output data according to the intended purpose of using the neural network.
  • the method includes the step of entering input data into the neural network.
  • the input data each includes a temperature of the electronic module recorded at a predetermined time.
  • the recorded temperatures can be representative of a temperature distribution of the electronic module.
  • the specified times can be specified by a user or manufacturer of the electronic module.
  • the input data can be recorded, for example, using an electrodynamic-thermal simulation of the operation of the electronic module. Alternatively or additionally, the input data can be recorded experimentally.
  • the input data can be transmitted to at least one of the input nodes of the neural network, for example by means of an input device.
  • the input data can be transmitted from a control device of the electronic module via a data interface to at least one of the input nodes of the neural network.
  • the method further includes the step of determining strain coefficients of the electronic module by the neural network.
  • the neural network determines the strain coefficients based on a relationship of the input data to the strain coefficients learned by the neural network.
  • the expansion coefficients can describe a change in at least one dimension of the electronic module relative to a predetermined starting value.
  • the expansion coefficients can be determined with respect to a change in length, a change in area or a change in volume of the electronic module.
  • the electronic module can expand in at least one dimension when the temperature increases.
  • the electronic module can shrink in at least one dimension when the temperature drops.
  • the input data can be processed by the neural network, for example on the intermediate nodes, according to the learned context to determine the strain coefficients. When learning the connection, the neural network can change the mathematical weighting of the connections of the individual nodes in order to determine the strain coefficients.
  • the method further includes the step of outputting the control signal for the electronic module.
  • the control signal is output based on the determined expansion coefficients.
  • the control signal can be generated by the neural network and output to a device designed for electrical signal processing.
  • the strain coefficients determined by the neural network can be output to a device designed for this purpose for electrical signal processing.
  • the device for electrical signal processing can convert the received expansion coefficients into the control signal and output this, for example, to a control device of the electronic module.
  • the control signal can be used by other components connected to the electronic module. For example, the control signal can be used to control one of these components.
  • the specific expansion coefficients can be displayed on a display unit based on the control signal.
  • the proposed method enables the determination of temperature-dependent expansion coefficients of an electronic module and the generation of one Control signal depending on the specific expansion coefficients using a neural network. This makes it possible to avoid the use of classic mathematical models, which are generally very complex and therefore time-consuming to calculate.
  • the calculation time required to determine the strain coefficients can be reduced.
  • the proposed method enables the electronic module to be controlled using the output control signal based on the determined expansion coefficients. Due to the reduced calculation time for determining the expansion coefficients, short-term or comparatively rapid changes in the expansion coefficients can also be detected. In particular, if the electronic module is thermally overloaded, the expansion coefficients can change comparatively quickly. By means of the control signal that can be generated with a shortened calculation time, this rapid change in the expansion coefficients can be responded to and damage to the electronic module can be counteracted. The service life of the electronic module can thereby be increased.
  • the input data is recorded at predetermined positions of the electronic module.
  • the expansion coefficients are determined depending on the specified positions of the electronic module.
  • the predetermined positions can be sections of the electronic module which are exposed to a comparatively high thermal load during operation.
  • the input data can be recorded on live wires, on soldering points, on circuit boards or on connecting sections of the electronic module, at which the electronic module is supplied with electrical power or can be connected to other electromechanical components.
  • the expansion coefficients can be determined using the neural network and the control signal can be output at positions where the risk of damage to the electronic module is particularly high. The service life of the electronic module can thus be increased.
  • the method further comprises generating a mathematical model of the electronic module and dividing the mathematical model of the electronic module into a plurality of predetermined subareas.
  • a strain coefficient is determined by the neural network for each of the sub-areas.
  • an electrodynamic, thermal or mechanical simulation model of the electronic module can be created using known mathematical methods. For example, using the finite element method, this model can be broken down into partial areas with a geometric shape, for which a parameter to be determined is easier to calculate than for the entire model.
  • a strain coefficient can be determined by the neural network for each of these subareas. From the expansion coefficients determined for the respective partial areas, an overall expansion coefficient or a distribution of the expansion coefficients can be determined for the mathematical model, for example by averaging. The calculation time required to determine the expansion coefficients can thereby be further shortened.
  • the method includes determining the remaining operating time of the electronic module until a predetermined damage threshold is exceeded.
  • the remaining operating time is determined based on the control signal output.
  • the remaining operating time can be specified, for example, in a number of operating hours or a percentage value.
  • the control signal can, for example, be output to a device designed for electrical signal processing, which can determine the temperature-dependent expansion coefficients of the electronic module based on the control signal. Thermal stress on various areas of the electronic module can be determined from the temperature-dependent expansion coefficients. The thermal load can have an influence on the remaining operating life of the electronic module.
  • the specified damage threshold can be representative of irreparable damage to the electronic module. Alternatively or additionally, the specified damage threshold can be exceeded if the functionality of the electronic module is limited.
  • the damage to the electronic module can be done, for example, by comparing various operating parameters of the electronic module with previous values of these operating parameters, in particular when the electronic module is put into operation. Because the calculation time for determining the expansion coefficients is shortened by the neural network, damage to the electronic module can be detected at an early stage using the control signal.
  • the method includes changing at least one operating parameter of the electronic module using the control signal.
  • Operating parameters of the electronic module can be, for example, an electrical voltage, a current intensity or a temperature of the electronic module.
  • the electrical voltage or current applied to the electronic module can be reduced or increased, for example by controlling a power source.
  • the temperature of the electronic module can be adjusted using the control signal by controlling a cooling device. This can prevent damage to the electronic module from occurring.
  • the invention in a second aspect, relates to a method for training a neural network which is designed to generate a control signal for an electronic module.
  • the method has the following steps: providing input data for the neural network, each of which includes a temperature of the electronic module recorded at a predetermined time; providing strain coefficients of the electronic module as output data; and training the neural network with the input data and the output data to learn a relationship between the input data and the strain coefficients and output a control signal for the electronic module based on the strain coefficients.
  • Providing the input data and output data can be understood as determining, that is, detecting, measuring or synthetically generating the input data and output data. Alternatively or additionally, providing can be understood to mean selecting whether a value of the recorded Temperatures are suitable as input data for training the neural network. For example, a value of the recorded temperatures may not be suitable as input data for training the neural network if it has no or insufficient influence on the expansion coefficients.
  • the input data can be transmitted to at least one of the input nodes of the neural network, for example by means of an input device.
  • the output data can be transmitted to at least one of the output nodes of the neural network, for example by means of an input device.
  • the neural network according to the method of the first aspect can be trained according to the method of the second aspect. This allows the technical effects and advantages of both aspects to be combined.
  • providing the input data and the output data further comprises preprocessing the input data and the output data.
  • Preprocessing includes at least one of the following: normalizing the data to a uniform scale; scaling the data to a uniform scale; comparing the data with data used in a previous training step; a reduction of one dimension of the data; and dividing the data into subsets for training, validating and testing the neural network during training.
  • data When data is normalized, it can be transformed through mathematical transformation so that all data can be represented on a common scale. Alternatively or additionally, the data can be multiplied by a scalar so that all data can be represented on a common scale.
  • a difference can be formed between the data used in the current training step and the previous data.
  • the reduction of multidimensional data can be done, for example, by means of a main axis transformation of the data that can be represented as a multidimensional matrix.
  • the subsets of input data and output data used to train, validate, and test the neural network may be substantially the same size. In particular, a dimension of the respective subsets can be equal to a dimension of the respective other subsets.
  • the neural network is trained by means of forward and backward propagation through the neural network of a first deviation of the relationship determined by the neural network from a target value.
  • the first deviation is determined based on the subset of the input data and output data used for training.
  • the first deviation can be determined, for example, as the difference between a strain coefficient determined by the neural network during training and a strain coefficient used as output data as a setpoint.
  • the first deviation can be transmitted from the input nodes through the intermediate nodes of the neural network to the output nodes and recalculated at each transmission step. The weighting of the individual connections of the nodes of the neural network can be adjusted.
  • the first deviation adjusted by this forward propagation from the input nodes to the output nodes can then be retransmitted in the opposite direction, i.e. from the output nodes via the intermediate nodes to the input nodes, and the weighting of the individual connections of the nodes of the neural network can be adjusted accordingly at each transmission step. This can improve the accuracy of the results achieved by the neural network during training.
  • a second deviation of the relationship determined by the neural network from a target value is determined based on the subset of the input data and output data used for validation.
  • the second deviation can be determined analogously to the first deviation, for example as the difference between a strain coefficient determined by the neural network during training and a strain coefficient used as output data as a setpoint.
  • the input data and output data are part of the subset used for validation.
  • the first and second deviations may be compared to determine an accuracy of the strain coefficients determined by the neural network during training.
  • a third deviation of the relationship determined by the neural network from a target value is determined based on the subset of the input data and output data used for testing.
  • the third deviation can be determined analogously to the first deviation and the second deviation, for example as the difference between a strain coefficient determined by the neural network during training and a strain coefficient used as output data as a setpoint.
  • the input data and output data are part of the subset used for testing.
  • the first and third deviations can be compared to determine an accuracy of the strain coefficients determined by the neural network during training.
  • training of the neural network is ended when at least one of the following conditions is met: the first deviation falls below a predetermined threshold value; falling below a predetermined threshold value for a difference between the first and second deviations; and falling below a predetermined threshold value for a difference between the first and third deviations.
  • the first threshold value can be undershot, for example, if the first deviation is smaller than 10 -4 or 10 -5 or 10' 6 . If the first deviation is below the first threshold value, it can be assumed that the neural network can calculate the strain coefficients with sufficient accuracy.
  • the second threshold value can be undershot, for example, if the first deviation and the second deviation have the same magnitude, for example both are in the range between 10' 4 and 10' 5 . If the second threshold value is not reached, it can be assumed that the trained neural network can calculate with sufficient accuracy the unknown data of the subset of input and output data used for validation, which follow the same system as the subset of input data and output data used for training .
  • the third threshold value can be undershot, for example, if the first deviation and the third deviation have the same magnitude, for example both are in the range between 10' 4 and 10' 5 . If the third threshold value is not reached, it can be assumed that the trained neural network can calculate the unknown data of the subset of the input and output data used for testing with sufficient accuracy.
  • the method is applied to an electronic module of a voltage converter.
  • the electronic module includes a plurality of components which have time-invariant temperatures in the operating state.
  • a voltage converter can be used to convert DC voltage to AC voltage or to convert AC voltage to DC voltage.
  • a voltage converter can be used when charging electric motor-driven vehicles.
  • a voltage converter can be exposed to high thermal loads during operation. Due to the shortened calculation time due to the neural network, the method according to the first and second aspects is particularly suitable for detecting damage to the voltage converter at an early stage.
  • the invention in a third aspect, relates to a control device for generating a control signal for an electronic module by means of a neural network.
  • the control device comprises a computer-readable storage medium on which the neural network for generating the control signal is stored.
  • the control device comprises an input device for inputting input data into the neural network, each of which includes a temperature of the electronic module recorded at a predetermined time.
  • the neural network is designed to determine strain coefficients of the electronic module based on a relationship between the input data and the strain coefficients learned by the neural network.
  • the control device further comprises an output device for outputting the control signal based on the determined expansion coefficients.
  • the mentioned devices of the control device according to the third aspect can be designed to receive, process and forward electrical signals.
  • the mentioned devices of the control device according to the third aspect can be designed to carry out the method according to the first aspect and/or the second aspect. Analogously, the method according to the first aspect or the second aspect can be carried out by the control device according to the third aspect.
  • the embodiments, technical effects and advantages explained for the first and second aspects therefore also apply analogously to the control device according to the third aspect.
  • Figure 1 shows a flowchart with steps of a method for generating a control signal for an electronic module using a neural network, according to an embodiment of the invention.
  • Figure 2 shows a flowchart with steps of a method for training a neural network, which is designed to generate a control signal for an electronic module, according to a further embodiment of the invention.
  • Figure 3 shows schematically a control device for generating a control signal for an electronic module with a neural network according to a further embodiment of the invention.
  • FIG. 1 shows a flowchart with steps of a method for generating a control signal for an electronic module using a neural network according to an embodiment of the invention.
  • the electronic module is a voltage converter, not shown, which is used to alternately convert direct voltage into alternating voltage.
  • a voltage converter can sometimes be exposed to high temperature fluctuations during operation be. These temperature fluctuations can lead to damage to the voltage converter.
  • To determine damage it is necessary to determine thermal expansion caused by temperature fluctuations. This thermal expansion can be determined using the expansion coefficients of the electronic module. Damage to the voltage converter caused by thermal expansion can be counteracted using a control signal based on the expansion coefficients.
  • input data is entered into the neural network in a first generation step ES1.
  • the input data includes temperatures of the electronic module recorded at a predetermined time.
  • the temperatures are recorded at five predetermined positions on the electronic module, such as on conductor wires, weld seams, transistors, diodes or other semiconductor components.
  • the temperatures are recorded simultaneously at the five predetermined positions.
  • the temperatures at the five predetermined positions are recorded at predetermined time intervals. The recording of the temperatures can be repeated at specified times.
  • expansion coefficients of the electronic module are determined by the neural network.
  • the strain coefficients are determined based on a relationship between the input data and the strain coefficients learned by the neural network.
  • the expansion coefficients are determined with regard to a respective change in length at the predetermined positions of the electronic module.
  • the expansion coefficients can also be determined with regard to a respective change in area or a respective change in volume at the predetermined positions of the electronic module.
  • the input data transmitted to the input nodes of the neural network are transmitted to intermediate nodes of the neural network via connections mathematically weighted by the neural network.
  • the transmitted input data is processed at the intermediate nodes and sent via connections mathematically weighted by the neural network Transfer output node of the neural network.
  • the mathematical weighting of the respective connections was adjusted by the neural network based on a training data set during a training process of the neural network that preceded the generation process.
  • a control signal for the electronic module is output.
  • the control signal is output based on the strain coefficients determined by the neural network.
  • the control signal is output to an output device which can process the control signal or transmit it to other components connected to the electronic module.
  • the complex electrodynamic, thermal or mechanical simulations of the electronic module that are usually necessary can be dispensed with.
  • the calculation time required for outputting the control signal can thus be shortened.
  • a remaining operating time of the electronic module can be determined in a shorter calculation time compared to the complex simulations commonly used. Damage to the electronic module can therefore be detected at an early stage.
  • Figure 2 shows a flowchart with steps of a method for training a neural network, which is designed to generate a control signal for an electronic module, according to a further embodiment of the invention.
  • a first training step TS1 input data for the neural network is provided.
  • the input data each includes a temperature of the electronic module recorded at a predetermined time.
  • the input data is transmitted to at least one input node of the neural network.
  • strain coefficients of the electronic module are provided as output data.
  • the expansion coefficients are measured values in the exemplary embodiment in FIG. In an exemplary embodiment, not shown, the expansion coefficients are generated synthetically.
  • the output data is transmitted to at least one output node of the neural network.
  • a third training step TS3 the neural network is trained with the input data and the output data in order to learn a connection between the input data and the strain coefficients. Further, the neural network is trained to output a control signal for the electronic module based on the strain coefficients.
  • the neural network used to generate a control signal according to the embodiment of FIG. 1 can be trained according to the method of the embodiment of FIG. 2.
  • Figure 3 shows schematically a control device 10 for generating a control signal 26 for an electronic module, not shown, with a neural network 12 according to a further embodiment of the invention.
  • the control device 10 includes a computer-readable storage medium 14 on which the neural network 12 is stored.
  • the control device 10 further comprises an input device 16, which is designed to receive temperatures 18 of the electronic module recorded at a predetermined time.
  • the input device 16 transmits the temperatures 18 as input data 20 to the neural network 12.
  • the neural network 12 determines expansion coefficients 22 of the electronic module according to the embodiment of FIGS. 1 and 2.
  • the determined strain coefficients 22 are transmitted from the neural network 12 to an output device 24.
  • the output device 24 generates a control signal 26 based on the determined expansion coefficients 22.
  • a remaining operating time of the electronic module can be determined until a predetermined damage threshold is exceeded.
  • at least one operating parameter of the electronic module can be changed by means of the control signal based on the specific expansion coefficients 22.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

Offenbart wird ein Verfahren zum Erzeugen eines Steuersignals (26) für ein elektronisches Modul mittels eines neuronalen Netzwerks (12). Das Verfahren umfasst: Eingabe (ES1) von Eingabedaten (20) in das neuronale Netzwerk (12), welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur (18) des elektronischen Moduls umfassen; Bestimmen (ES2) von Dehnungskoeffizienten (22) des elektronischen Moduls durch das neuronale Netzwerk (12), basierend auf einem von dem neuronalen Netzwerk (12) gelernten Zusammenhang zwischen den Eingabedaten (20) und den Dehnungskoeffizienten (22); und Ausgabe (ES3) des Steuersignals (26) für das elektronische Modul, basierend auf den bestimmten Dehnungskoeffizienten (22).

Description

Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks
Technisches Gebiet
Die vorliegende Erfindung betrifft ein Verfahren zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks. Hierzu werden von dem neuronalen Netzwerk temperaturabhängige Dehnungskoeffizienten des elektronischen Moduls bestimmt und abhängig von diesen Dehnungskoeffizienten das Steuersignal ausgegeben. Die Erfindung betrifft zudem ein Verfahren zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen. Die Erfindung betrifft ferner eine zugehörige Steuereinrichtung zur Erzeugung eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks.
Stand der Technik
Elektromechanische Bauteile, beispielsweise Spannungswandler, bestehen aus einer Vielzahl einzelner Komponenten, welche miteinander verschaltet sind. Im Betrieb sind diese Komponenten wechselnden Stromstärken ausgesetzt, was zu einer thermischen Beanspruchung der Bauteile führt. Um eine Beschädigung der Bauteile feststellen zu können, sind im Allgemeinen komplexe strukturelle, mechanische und thermische Simulationen notwendig. Diese Simulationen sind sehr rechenintensiv und zeitaufwendig. Daher ist es wünschenswert, die zur Feststellung einer Beschädigung dieser Bauteile benötigte Rechenzeit zu verkürzen.
Darstellung der Erfindung
Die Erfindung bezieht sich in einem ersten Aspekt auf ein Verfahren zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks.
Ein elektronisches Modul kann elektrisch leitende, elektrisch isolierende und Halbleiterkomponenten umfassen. Beispielsweise kann ein elektronisches Modul elektrisch leitende Drähte, einen elektrisch isolierenden Grundkörper und Transistoren beziehungsweise Dioden umfassen, welche unter bestimmten Voraussetzungen elektrisch leitfähig sind. Mittels eines elektronischen Moduls kann beispielsweise Gleichspannung in Wechselspannung beziehungsweise Wechselspannung in Gleichspannung umgewandelt werden.
Ein Steuersignal kann ein elektrisches Signal sein, welches von oder zu dem elektronischen Modul übertragen wird. Das elektronische Signal kann Steuerungsdaten enthalten. Mittels des Steuerungssignals kann zumindest ein Betriebsparameter des elektronischen Moduls, beispielsweise eine Stromstärke oder elektrische Spannung desselben, beeinflusst werden. Alternativ oder zusätzlich kann das Steuersignal von dem elektronischen Modul an eine Auswerteeinheit übertragen werden, um zumindest einen Betriebsparameter des elektronischen Moduls, beispielsweise eine Temperatur desselben, zu ermitteln.
Unter einem neuronalen Netzwerk kann ein mathematisches Modell verstanden werden, welches die Struktur der Neuronen im menschlichen Gehirn zumindest teilweise nachbildet. Das neuronale Netzwerk kann mithilfe eines Computers erstellt werden. Das neuronale Netzwerk kann Eingangsknoten, Ausgangsknoten und mehrere Zwischenknoten aufweisen, welche zwischen den Eingangsknoten und den Ausgangsknoten angeordnet sind. Die Eingangsknoten können beispielsweise Datenschnittstellen sein, über welche Eingabedaten in das neuronale Netzwerk eingegeben werden können. Die Ausgangsknoten können beispielsweise Datenschnittstellen sein, über welche Ausgabedaten aus dem neuronalen Netzwerk ausgegeben werden können. Die Eingangsknoten können mit den Zwischenknoten und die Zwischenknoten können miteinander verbunden sein. Die Zwischenknoten können mit den Ausgangsknoten verbunden sein. Die Eingabedaten können historische Daten sein, welche zu einem bestimmten Zeitpunkt erfasst wurden. Alternativ oder zusätzlich können die Eingabedaten synthetische Daten sein, welche durch Verarbeitung erfasster beziehungsweise gemessener Daten erzeugt wurden. Analog hierzu können die Ausgabedaten historische Daten beziehungsweise synthetische Daten sein.
Auf den Zwischenknoten kann Information zumindest temporär zwischengespeichert werden. Es kann vorgesehen sein, dass auf den Zwischenknoten zumindest eine Rechenoperation ausgeführt wird. Die Eingabedaten können von den Eingangsknoten über die Zwischenknoten zu den Ausgangsknoten übertragen werden. Während dieser Übertragung können die Eingabedaten mathematisch verarbeitet werden, beispielsweise zu den Ausgabedaten umgewandelt werden. Die Zwischenknoten des neuronalen Netzwerks können in einer oder mehreren Schichten beziehungsweise Ebenen angeordnet sein. Die Zwischenknoten können innerhalb einer Schicht miteinander verbunden sein. Zusätzlich können die Zwischenknoten einer Schicht mit den Zwischenknoten anderer Schichten verbunden sein. Die einzelnen Verbindungen der Eingangsknoten, der Zwischenknoten und der Ausgangsknoten können mit mathematischen Gewichtungen versehen sein. Je nach Zweck des neuronalen Netzwerks können die einzelnen Gewichtungen der Verbindungen unterschiedlich sein. Während des Trainings des neuronalen Netzwerks können die Gewichtungen verändert werden. Durch die Anpassung der mathematischen Gewichtungen der Verbindungen der einzelnen Knoten während des Trainings kann von dem neuronalen Netzwerk ein Zusammenhang zwischen den Eingabedaten und den Ausgabedaten gelernt werden. Während der Verwendung des neuronalen Netzwerks zu dem vorgesehenen Zweck kann der gelernte Zusammenhang von dem neuronalen Netzwerk auf eingegebene Eingabedaten angewandt werden, um Ausgabedaten gemäß dem vorgegebenen Verwendungszweck des neuronalen Netzwerks zu erzeugen.
Das Verfahren umfasst den Schritt der Eingabe von Eingabedaten in das neuronale Netzwerk. Die Eingabedaten umfassen jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls. Die erfassten Temperaturen können repräsentativ für eine Temperaturverteilung des elektronischen Moduls sein. Die vorgegebenen Zeitpunkte können von einem Benutzer oder Hersteller des elektronischen Moduls vorgegeben sein. Die Eingabedaten können beispielsweise anhand einer elektrodynamisch-thermischen Simulation des Betriebs des elektronischen Moduls erfasst werden. Alternativ oder zusätzlich können die Eingabedaten experimentell erfasst werden. Die Eingabedaten können beispielsweise mittels einer Eingabevorrichtung an zumindest einen der Eingangsknoten des neuronalen Netzwerks übertragen werden. Alternativ können die Eingabedaten von einer Steuereinrichtung des elektronischen Moduls über eine Datenschnittstelle an zumindest einen der Eingangsknoten des neuronalen Netzwerks übertragen werden. Das Verfahren umfasst ferner den Schritt des Bestimmens von Dehnungskoeffizienten des elektronischen Moduls durch das neuronale Netzwerk auf. Das neuronale Netzwerk bestimmt die Dehnungskoeffizienten basierend auf einem von dem neuronalen Netzwerk gelernten Zusammenhang der Eingabedaten mit den Dehnungskoeffizienten. Die Dehnungskoeffizienten können eine Veränderung zumindest einer Dimension des elektronischen Moduls relativ zu einem vorgegebenen Startwert beschreiben. Die Dehnungskoeffizienten können bezüglich einer Veränderung der Länge, eine Veränderung der Fläche oder einer Veränderung des Volumens des elektronischen Moduls bestimmt werden. Beispielweise kann sich das elektronische Modul bei einer Temperaturerhöhung in zumindest einer Dimension ausdehnen. Alternativ kann das elektronische Modul bei einer Temperatursenkung in zumindest einer Dimension schrumpfen. Die Eingabedaten können von dem neuronalen Netzwerk, beispielsweise auf den Zwischenknoten, gemäß dem gelernten Zusammenhang verarbeitet werden, um die Dehnungskoeffizienten zu bestimmen. Beim Lernen des Zusammenhangs kann von dem neuronalen Netzwerk die mathematische Gewichtung der Verbindungen der einzelnen Knoten geändert werden, um die Dehnungskoeffizienten zu bestimmen.
Das Verfahren umfasst ferner den Schritt der Ausgabe des Steuersignals für das elektronische Modul. Das Steuersignal wird basierend auf den bestimmten Dehnungskoeffizienten ausgegeben. Das Steuersignal kann von dem neuronalen Netzwerk erzeugt und an eine dafür ausgebildete Vorrichtung zur elektrischen Signalverarbeitung ausgegeben werden. Alternativ können die von dem neuronalen Netzwerk bestimmte Dehnungskoeffizienten an eine dafür ausgebildete Vorrichtung zur elektrischen Signalverarbeitung ausgegeben werden. Die Vorrichtung zur elektrischen Signalverarbeitung kann die empfangenen Dehnungskoeffizienten in das Steuersignal umwandeln und dieses beispielsweise an eine Steuereinrichtung des elektronischen Moduls ausgeben. Das Steuersignal kann von weiteren, mit dem elektronischen Modul in Verbindung stehenden Komponenten verwendet werden. Beispielweise kann das Steuersignal zur Ansteuerung einer dieser Komponenten verwendet werden. Alternativ oder zusätzlich können die bestimmten Dehnungskoeffizienten anhand des Steuersignals auf einer Anzeigeeinheit dargestellt werden.
Das vorgeschlagene Verfahren ermöglicht das Bestimmen von temperaturabhängigen Dehnungskoeffizienten eines elektronischen Moduls und die Erzeugung eines Steuersignals in Abhängigkeit der bestimmten Dehnungskoeffizienten mittels eines neuronalen Netzwerks. Hierdurch kann auf die Verwendung von klassischen mathematischen Modellen verzichtet werden, welche im Allgemeinen sehr komplex und daher zeitaufwendig zu berechnen sind. Durch die Verwendung eines neuronalen Netzwerks kann somit einerseits die zum Bestimmen der Dehnungskoeffizienten benötigte Berechnungszeit reduziert werden. Ferner ermöglicht das vorgeschlagene Verfahren das Steuern des elektronischen Moduls mittels des ausgegebenen Steuersignals basierend auf den bestimmten Dehnungskoeffizienten. Aufgrund der reduzierten Berechnungszeit zum Bestimmen der Dehnungskoeffizienten können auch kurzfristige auftretende oder vergleichsweise schnell stattfindende Änderungen der Dehnungskoeffizienten erkannt werden. Insbesondere bei einer thermischen Überlastung des elektronischen Moduls kann es zu einer vergleichsweise schnellen Änderung der Dehnungskoeffizienten kommen. Mittels des mit verkürzter Berechnungszeit erzeugbaren Steuersignals kann auf diese schnelle Änderung der Dehnungskoeffizienten reagiert und so einer Schädigung des elektronischen Moduls entgegengewirkt werden. Die Lebensdauer des elektronischen Moduls kann dadurch erhöht werden.
Nach einer Ausführungsform werden die Eingabedaten an vorgegebenen Positionen des elektronischen Moduls erfasst. Die Dehnungskoeffizienten werden in Abhängigkeit der vorgegebenen Positionen des elektronischen Moduls bestimmt. Die vorgegebenen Positionen können Abschnitte des elektronischen Moduls sein, welche im Betrieb desselben einer vergleichsweise hohen thermischen Belastung ausgesetzt sind. Beispielweise können die Eingabedaten an stromführenden Leitungsdrähten, an Lötstellen, an Platinen oder an Verbindungsabschnitten des elektronischen Moduls erfasst werden, an welchen das elektronische Modul mit elektrischem Strom versorgt wird beziehungsweise mit anderen elektromechanischen Bauteilen verbunden werden kann. Mittels des vorgeschlagenen Verfahrens können somit an Positionen, an welchen die Gefahr einer Beschädigung des elektronischen Moduls besonders hoch ist, die Dehnungskoeffizienten mittels des neuronalen Netzwerks bestimmt und das Steuersignal ausgeben werden. Die Lebensdauer des elektronischen Moduls kann somit erhöht werden. Gemäß einer weiteren Ausführungsform umfasst das Verfahren ferner das Erzeugen eines mathematischen Modells des elektronischen Moduls und das Aufteilen des mathematischen Modells des elektronischen Moduls in eine Vielzahl vorgegebener Teilbereiche. Für jeden der Teilbereiche wird von dem neuronalen Netzwerk ein Dehnungskoeffizient bestimmt. Beispielweise kann ein elektrodynamisches, ein thermisches oder ein mechanisches Simulationsmodell des elektronischen Moduls mittels bekannter mathematischer Verfahren erstellt werden. Dieses Modell kann beispielsweise mithilfe der Finite-Elemente-Methode in Teilbereiche mit einer geometrischen Form zerlegt werden, für welche ein zu bestimmender Parameter jeweils einfacher zu berechnen ist als für das Gesamtmodell. Für jeden dieser Teilbereiche kann von dem neuronalen Netzwerk ein Dehnungskoeffizient bestimmt werden. Aus den für die jeweiligen Teilbereiche bestimmten Dehnungskoeffizienten kann für das mathematische Modell, beispielsweise durch Mittelwertbildung, ein Gesamtdehnungskoeffizient beziehungsweise eine Verteilung der Dehnungskoeffizienten bestimmt werden. Die zur Bestimmung der Dehnungskoeffizienten benötigte Berechnungszeit kann hierdurch weiter verkürzt werden.
Nach einer weiteren Ausführungsform umfasst das Verfahren das Ermitteln einer verbleibenden Betriebsdauer des elektronischen Moduls bis zum Überschreiten einer vorgegebenen Beschädigungsschwelle desselben. Die verbleibende Betriebsdauer wird basierend auf dem ausgegebenen Steuersignal ermittelt. Die verbleibende Betriebsdauer kann beispielsweise in einer Anzahl von Betriebsstunden oder einem Prozentwert angegeben werden. Das Steuersignal kann beispielsweise an eine dafür ausgebildete Vorrichtung zur elektrischen Signalverarbeitung ausgegeben werden, welche anhand der Steuersignals die temperaturabhängigen Dehnungskoeffizienten des elektronischen Moduls ermitteln kann. Aus den temperaturabhängigen Dehnungskoeffizienten kann eine thermische Belastung verschiedener Bereiche des elektronischen Moduls ermittelt werden. Die thermische Belastung kann einen Einfluss auf die verbleibende Betriebsdauer des elektronischen Moduls haben.
Die vorgegebene Beschädigungsschwelle kann repräsentativ für eine irreparable Beschädigung des elektronischen Moduls sein. Alternativ oder zusätzlich kann die vorgegebene Beschädigungsschwelle überschritten sein, wenn die Funktionsfähigkeit des elektronischen Moduls eingeschränkt ist. Die Beschädigung des elektronischen Moduls kann beispielsweise anhand eines Vergleichs verschiedener Betriebsparameter des elektronischen Moduls mit zeitlich vorangegangenen Werten dieser Betriebsparameter, insbesondere bei Inbetriebnahme des elektronischen Moduls, erfolgen. Aufgrund der durch das neuronale Netzwerk verkürzten Berechnungszeit zum Bestimmen der Dehnungskoeffizienten kann somit anhand des Steuersignals eine Beschädigung des elektronischen Moduls frühzeitig erkannt werden.
Nach einer weiteren Ausführungsform umfasst das Verfahren das Ändern zumindest eines Betriebsparameters des elektronischen Moduls mittels des Steuersignals. Betriebsparameter des elektronischen Moduls können beispielsweise eine elektrische Spannung, eine Stromstärke oder eine Temperatur des elektronischen Moduls sein. Mittels des Steuersignals kann beispielweise durch Ansteuern einer Stromquelle die an dem elektronischen Modul anliegende elektrische Spannung beziehungsweise Stromstärke verringert oder erhöht werden. Alternativ oder zusätzlich kann mittels des Steuersignals durch Ansteuern einer Kühlvorrichtung die Temperatur des elektronischen Moduls angepasst werden. Hierdurch kann das Auftreten von Beschädigungen des elektronischen Moduls verhindert werden.
Die Erfindung bezieht sich in einem zweiten Aspekt auf ein Verfahren zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen. Das Verfahren weist die folgenden Schritte auf: Bereitstellen von Eingabedaten für das neuronale Netzwerk, welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls umfassen; Bereitstellen von Dehnungskoeffizienten des elektronischen Moduls als Ausgabedaten; und Trainieren des neuronalen Netzwerks mit den Eingabedaten und den Ausgabedaten, um einen Zusammenhang der Eingabedaten mit den Dehnungskoeffizienten zu lernen und ein Steuersignal für das elektronische Modul basierend auf den Dehnungskoeffizienten auszugeben.
Unter einem Bereitstellen der Eingabedaten und Ausgabedaten kann ein Bestimmen, das heißt ein Erfassen, ein Messen beziehungsweise ein synthetisches Erzeugen der Eingabedaten und Ausgabedaten verstanden werden. Alternativ oder zusätzlich kann unter einem Bereitstellen ein Auswählen verstanden werden, ob ein Wert der erfassten Temperaturen als Eingabedaten für das Training des neuronalen Netzwerks geeignet ist. Beispielsweise kann ein Wert der erfassten Temperaturen dann nicht als Eingabedaten für das Training des neuronalen Netzwerks geeignet sein, wenn dieser keinen beziehungsweise keinen ausreichenden Einfluss auf die Dehnungskoeffizienten hat. Die Eingabedaten können beispielsweise mittels einer Eingabevorrichtung an zumindest einen der Eingangsknoten des neuronalen Netzwerks übertragen werden. Analog können die Ausgabedaten beispielsweise mittels einer Eingabevorrichtung an zumindest einen der Ausgangsknoten des neuronalen Netzwerks übertragen werden.
Das neuronale Netzwerk gemäß dem Verfahren des ersten Aspekts kann nach dem Verfahren des zweiten Aspekts trainiert werden. Hierdurch können die technischen Effekte und Vorteile der beiden Aspekte kombiniert werden.
Nach einer Ausführungsform umfasst das Bereitstellen der Eingabedaten und der Ausgabedaten ferner ein Vorverarbeiten der Eingabedaten und der Ausgabedaten. Das Vorverarbeiten umfasst zumindest eines der folgenden: ein Normalisieren der Daten auf eine einheitliche Skala; ein Skalieren der Daten auf eine einheitliche Skala; ein Vergleichen der Daten mit in einem zeitlich vorangegangenen Trainierschritt verwendeten Daten; eine Reduzierung einer Dimension der Daten; und ein Aufteilen der Daten in Untermengen zum Trainieren, Validieren und Testen des neuronalen Netzwerks während des Trainings.
Beim Normalisieren der Daten können diese durch mathematische Umformung umgewandelt werden, sodass alle Daten auf einer gemeinsamen Skala darstellbar sind. Alternativ oder zusätzlich können die Daten mit einem Skalar multipliziert werden, sodass alle Daten auf einer gemeinsamen Skala darstellbar sind. Beim Vergleichen der Daten mit zeitlich vorangegangenen Daten kann beispielweise eine Differenz der im aktuellen Trainierschritt verwendeten Daten und der zeitlich vorangegangene Daten gebildet werden. Die Reduzierung mehrdimensionaler Daten kann beispielsweise mittels einer Hauptachsentransformation der als mehrdimensionalen Matrix darstellbaren Daten erfolgen. Die zum Trainieren, Validieren und Testen des neuronalen Netzwerks verwendeten Untermengen der Eingabedaten und Ausgabedaten können im Wesentlichen gleich groß sein. Insbesondere kann eine Dimension der jeweiligen Untermengen gleich einer Dimension der jeweiligen anderen Untermengen sein. Durch das Vorverarbeiten der Eingabedaten und Ausgabedaten kann der Trainiervorgang des neuronalen Netzwerks beschleunigt werden.
Gemäß einer Ausführungsform erfolgt das Trainieren des neuronalen Netzwerks mittels Vorwärts- und Rückwärtspropagation durch das neuronale Netzwerk einer ersten Abweichung des von dem neuronalen Netzwerk bestimmten Zusammenhangs von einem Sollwert. Die erste Abweichung wird basierend auf der zum Trainieren verwendeten Untermenge der Eingabedaten und Ausgabedaten ermittelt. Die erste Abweichung kann beispielweise als Differenz eines von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten und eines als Ausgabedaten verwendeten Dehnungskoeffizienten als Sollwert bestimmt werden. Die erste Abweichung kann von den Eingabeknoten über die Zwischenknoten des neuronalen Netzwerks zu den Ausgabeknoten übertragen und bei jedem Übertragungsschritt neu berechnet werden. Hierbei kann die Gewichtung der einzelnen Verbindungen der Knoten des neuronalen Netzwerks jeweils angepasst werden. Anschließend kann die durch diese Vorwärtspropagation von den Eingabeknoten zu den Ausgabeknoten angepasste erste Abweichung in umgekehrter Richtung, also von den Ausgabeknoten über die Zwischenknoten zu den Eingabeknoten erneut übertragen und die Gewichtung der einzelnen Verbindungen der Knoten des neuronalen Netzwerks bei jedem Übertragungsschritt entsprechend angepasst werden. Hierdurch kann die Genauigkeit der des von dem neuronalen Netzwerk während des Trainings erzielten Ergebnisse verbessert werden.
Nach einer Ausführungsform wird ferner eine zweite Abweichung des von dem neuronalen Netzwerk bestimmten Zusammenhangs von einem Sollwert, basierend auf der zum Validieren verwendeten Untermenge der Eingabedaten und Ausgabedaten ermittelt wird. Die zweite Abweichung kann analog zu der ersten Abweichung beispielweise als Differenz eines von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten und eines als Ausgabedaten verwendeten Dehnungskoeffizienten als Sollwert bestimmt werden. Die Eingabedaten und Ausgabedaten sind hierbei Teil der zum Validieren verwendeten Untermenge. Die erste und die zweite Abweichung können verglichen werden, um eine Genauigkeit der von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten zu bestimmen. Gemäß einer Ausführungsform wird ferner eine dritte Abweichung des von dem neuronalen Netzwerk bestimmten Zusammenhangs von einem Sollwert, basierend auf der zum Testen verwendeten Untermenge der Eingabedaten und Ausgabedaten ermittelt. Die dritte Abweichung kann analog zu der ersten Abweichung und der zweiten Abweichung beispielweise als Differenz eines von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten und eines als Ausgabedaten verwendeten Dehnungskoeffizienten als Sollwert bestimmt werden. Die Eingabedaten und Ausgabedaten sind hierbei Teil der zum Testen verwendeten Untermenge. Die erste und die dritte Abweichung können verglichen werden, um eine Genauigkeit der von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten zu bestimmen.
Nach einer Ausführungsform wird das Trainieren des neuronalen Netzwerks beendet, wenn zumindest eine der folgenden Bedingungen erfüllt ist: ein Unterschreiten eines vorgegebenen Schwellenwerts für die erste Abweichung; ein Unterschreiten eines vorgegebenen Schwellenwerts für eine Differenz der ersten und der zweiten Abweichung; und ein Unterschreiten eines vorgegebenen Schwellenwerts für eine Differenz der ersten und der dritten Abweichung. Der erste Schwellenwert kann beispielsweise unterschritten sein, wenn die erste Abweichung kleiner als 10-4 oder 10-5 oder 10’6 ist. Liegt die erste Abweichung unterhalb des ersten Schwellenwerts, kann davon ausgegangen werden, dass das neuronale Netzwerk die Dehnungskoeffizienten mit ausreichender Genauigkeit berechnen kann.
Der zweite Schwellenwert kann beispielsweise unterschritten sein, wenn die erste Abweichung und die zweite Abweichung die gleiche Größenordnung haben, also beispielsweise beide im Bereich zwischen 10’4 und 10’5 liegen. Ist der zweite Schwellenwert unterschritten, kann davon ausgegangen werden, dass das trainierte neuronale Netzwerk die unbekannten Daten der zum Validieren verwendeten Untermenge der Eingabe und Ausgabedaten, welche der gleichen Systematik folgen wie die zum Trainieren verwendete Untermenge der Eingabedaten und Ausgabedaten, mit ausreichender Genauigkeit berechnen kann. Der dritte Schwellenwert kann beispielsweise unterschritten sein, wenn die erste Abweichung und die dritte Abweichung die gleiche Größenordnung haben, also beispielsweise beide im Bereich zwischen 10’4 und 10’5 liegen. Ist der dritte Schwellenwert unterschritten, kann davon ausgegangen werden, dass das trainierte neuronale Netzwerk die unbekannten Daten der zum Testen verwendeten Untermenge der Eingabe und Ausgabedaten mit ausreichender Genauigkeit berechnen kann.
Gemäß einer Ausführungsform wird das Verfahren auf ein elektronisches Modul eines Spannungswandlers angewandt. Das elektronische Modul umfasst eine Mehrzahl von Komponenten, welche im Betriebszustand zeitinvariante Temperaturen aufweist. Ein Spannungswandler kann zum Umwandeln von Gleichspannung in Wechselspannung beziehungsweise zum Umwandeln von Wechselspannung in Gleichspannung verwendet werden. Beispielweise kann ein Spannungswandler beim Laden von elektromotorisch angetriebenen Fahrzeugen verwendet werden. Abhängig von den verwendeten Stromstärken beziehungsweise elektrischen Spannungen kann ein Spannungswandler im Betrieb einer hohen thermischen Belastung ausgesetzt sein. Aufgrund der durch das neuronale Netzwerk verkürzten Berechnungszeit eignet sich das Verfahren gemäß des ersten und des zweiten Aspekts besonders gut, um Beschädigungen des Spannungswandlers frühzeitig erkennen zu können.
Die Erfindung bezieht sich in einem dritten Aspekt auf eine Steuereinrichtung zur Erzeugung eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks. Die Steuereinrichtung umfasst ein von einem Computer lesbares Speichermedium, auf welchem das neuronale Netzwerk zur Erzeugung des Steuersignals gespeichert ist. Ferner umfasst die Steuereinrichtung eine Eingabevorrichtung zur Eingabe von Eingabedaten in das neuronale Netzwerk, welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls umfassen. Das neuronale Netzwerk ist zum Bestimmen von Dehnungskoeffizienten des elektronischen Moduls ausgebildet, basierend auf einem von dem neuronalen Netzwerk gelernten Zusammenhang zwischen den Eingabedaten und den Dehnungskoeffizienten. Die Steuereinrichtung umfasst ferner eine Ausgabevorrichtung zur Ausgabe des Steuersignals, basierend auf den bestimmten Dehnungskoeffizienten. Die genannten Vorrichtungen der Steuereinrichtung gemäß dem dritten Aspekt können zum Empfangen, zur Verarbeitung und zur Weiterleitung von elektrischen Signalen ausgebildet sein. Die genannten Vorrichtungen der Steuereinrichtung gemäß dem dritten Aspekt können zur Durchführung des Verfahrens gemäß dem ersten Aspekt und/oder dem zweiten Aspekt ausgebildet sein. Analog kann das Verfahren gemäß dem ersten Aspekt beziehungsweise dem zweiten Aspekt von der Steuereinrichtung gemäß dem dritten Aspekt durchgeführt werden. Die zu dem ersten beziehungsweise dem zweiten Aspekt erläuterten Ausführungsformen, technischen Effekte und Vorteile gelten somit analog auch für die Steuereinrichtung nach dem dritten Aspekt.
Kurze Beschreibung der Zeichnungen
Figur 1 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks, nach einer Ausführungsform der Erfindung.
Figur 2 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen, nach einer weiteren Ausführungsform der Erfindung.
Figur 3 zeigt schematisch eine Steuereinrichtung zur Erzeugung eines Steuersignals für ein elektronisches Modul mit einem neuronalen Netzwerk gemäß einer weiteren Ausführungsform der Erfindung.
Detaillierte Beschreibung von Ausführungsformen
Figur 1 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks nach einer Ausführungsform der Erfindung. Im Ausführungsbeispiel der Figur 1 ist das elektronische Modul ein nicht dargestellter Spannungswandler, welcher zum wechselseitigen Umwandeln von Gleichspannung in Wechselspannung verwendet wird. Abhängig von den angelegten Spannungen und verwendeten Stromstärke kann ein Spannungswandler im Betrieb teilweise hohen Temperaturschwankungen ausgesetzt sein. Diese Temperaturschwankungen können zu einer Beschädigung des Spannungswandlers führen. Zum Feststellen einer Beschädigung ist die Bestimmung einer durch die Temperaturschwankungen hervorgerufenen Wärmeausdehnung notwendig. Diese Wärmeausdehnung kann anhand von Dehnungskoeffizienten des elektronischen Moduls bestimmt werden. Mittels eines auf den Dehnungskoeffizienten basierenden Steuersignals kann einer Beschädigung des Spannungswandlers durch die Temperaturausdehnung entgegengewirkt werden.
Hierzu werden in einem ersten Erzeugungsschritt ES1 Eingabedaten in das neuronale Netzwerk eingegeben. Im Ausführungsbeispiel der Figur 1 umfassen die Eingabedaten zu einem vorgegebenen Zeitpunkt erfasste Temperaturen des elektronischen Moduls. Die Temperaturen werden an fünf vorgegebenen Positionen des elektronischen Moduls, wie beispielsweise an Leitungsdrähten, Schweißnähten, Transistoren, Dioden oder weiteren Halbleiterbauelementen erfasst. Im Ausführungsbeispiel der Figur 1 werden die Temperaturen zeitgleich an den fünf vorgegebenen Positionen erfasst. In einem nicht dargestellten Ausführungsbeispiel werden die Temperaturen an den fünf vorgegebenen Positionen mit vorgegebenen zeitlichen Abständen erfasst. Die Erfassung der Temperaturen kann zu vorgegebenen Zeitpunkten wiederholt werden.
In einem zweiten Ermittlungsschritt ES2 werden durch das neuronale Netzwerk Dehnungskoeffizienten des elektronischen Moduls bestimmt. Die Dehnungskoeffizienten werden basierend auf einem von dem neuronalen Netzwerk gelernten Zusammenhang zwischen den Eingabedaten und den Dehnungskoeffizienten bestimmt. Im Ausführungsbeispiel der Figur 1 werden die Dehnungskoeffizienten hinsichtlich einer jeweiligen Längenänderung an den vorgegebenen Positionen des elektronischen Moduls bestimmt. Die Dehnungskoeffizienten können ebenfalls hinsichtlich einer jeweiligen Flächenänderung oder einer jeweiligen Volumenänderung an den vorgegebenen Positionen des elektronischen Moduls bestimmt werden.
Zur Bestimmung der Dehnungskoeffizienten werden die an die Eingangsknoten des neuronalen Netzwerks übertragenen Eingabedaten über von dem neuronalen Netzwerk mathematisch gewichtete Verbindungen an Zwischenknoten des neuronalen Netzwerks übertragen. Auf den Zwischenknoten werden die übertragenen Eingabedaten verarbeitet und über von dem neuronalen Netzwerk mathematisch gewichtete Verbindungen an Ausgangsknoten des neuronalen Netzwerks übertragen. Die mathematische Gewichtung der jeweiligen Verbindungen wurde von dem neuronalen Netzwerk während eines dem Erzeugungsverfahrens zeitlich vorangehenden Trainingsvorgangs des neuronalen Netzwerks basierend auf einem Trainingsdatensatz angepasst. Auf zumindest einem Ausgangsknoten des neuronalen Netzwerks liegt am Ende der Verfahrensdurchführung ein Wert für einen Dehnungskoeffizienten vor.
In einem dritten Ermittlungsschritt ES3 wird ein Steuersignal für das elektronische Modul ausgegeben. Das Steuersignal wird basierend auf den von dem neuronalen Netzwerk bestimmten Dehnungskoeffizienten ausgegeben. Das Steuersignal wird im Ausführungsbeispiel der Figur 1 an eine Ausgabevorrichtung ausgegeben, welche das Steuersignal verarbeiten oder an weitere, mit dem elektronischen Modul in Verbindung stehende Komponenten übertragen kann.
Durch die Verwendung eines neuronalen Netzwerks zur Bestimmung von Dehnungskoeffizienten kann auf die üblicherweise notwendigen komplexen elektrodynamischen, thermischen beziehungsweise mechanischen Simulationen des elektronischen Moduls verzichtet werden. Die für die Ausgabe des Steuersignals notwendige Berechnungszeit kann somit verkürzt werden. Mittels des von den bestimmten Dehnungskoeffizienten abhängigen Steuersignals kann eine verbleibende Betriebsdauer des elektronischen Moduls in im Vergleich zu den üblicherweise verwendeten komplexen Simulationen verkürzter Berechnungszeit ermittelt werden. Eine Beschädigung des elektronischen Moduls kann somit frühzeitig erkannt werden.
Figur 2 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen, nach einer weiteren Ausführungsform der Erfindung.
In einem ersten Trainierschritt TS1 werden Eingabedaten für das neuronale Netzwerk bereitgestellt. Die Eingabedaten umfassen jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls. Die Eingabedaten werden an zumindest einen Eingangsknoten des neuronalen Netzwerks übertragen. In einem zweiten Trainierschritt TS2 werden Dehnungskoeffizienten des elektronischen Moduls als Ausgabedaten bereitgestellt. Die Dehnungskoeffizienten sind im Ausführungsbeispiel der Figur 1 gemessene Werte. In einem nicht dargestellten Ausführungsbeispiel sind die Dehnungskoeffizienten synthetisch erzeugt. Die Ausgabedaten werden an zumindest einen Ausgangsknoten des neuronalen Netzwerks übertragen.
In einem dritten Trainierschritt TS3 wird das neuronale Netzwerk mit den Eingabedaten und den Ausgabedaten trainiert, um einen Zusammenhang der Eingabedaten mit den Dehnungskoeffizienten zu lernen. Ferner wird das neuronale Netzwerk trainiert, um ein Steuersignal für das elektronische Modul basierend auf den Dehnungskoeffizienten auszugeben.
Das zum Erzeugen eines Steuersignals verwendete neuronale Netzwerk gemäß der Ausführungsform der Figur 1 kann gemäß dem Verfahren der Ausführungsform der Figur 2 trainiert werden.
Figur 3 zeigt schematisch eine Steuereinrichtung 10 zur Erzeugung eines Steuersignals 26 für ein nicht dargestelltes elektronisches Modul mit einem neuronalen Netzwerk 12 gemäß einer weiteren Ausführungsform der Erfindung.
Die Steuereinrichtung 10 umfasst ein von einem Computer lesbares Speichermedium 14, auf welchem das neuronale Netzwerk 12 gespeichert ist. Die Steuereinrichtung 10 umfasst ferner eine Eingabevorrichtung 16, welche zum Empfang von zu einem vorgegebenen Zeitpunkt erfassten Temperaturen 18 des elektronischen Moduls ausgebildet ist. Die Eingabevorrichtung 16 überträgt die Temperaturen 18 als Eingabedaten 20 an das neuronale Netzwerk 12.
Aus den Eingabedaten 20 werden von dem neuronalen Netzwerk 12 Dehnungskoeffizienten 22 des elektronischen Moduls gemäß der Ausführungsform der Figuren 1 und 2 bestimmt. Die bestimmten Dehnungskoeffizienten 22 werden von dem neuronalen Netzwerk 12 an eine Ausgabevorrichtung 24 übertragen. Die Ausgabevorrichtung 24 erzeugt basierend auf den bestimmten Dehnungskoeffizienten 22 ein Steuersignal 26. Mittels des auf den bestimmten Dehnungskoeffizienten der 22 basierenden Steuersignals kann eine verbleibende Betriebsdauer des elektronischen Moduls bis zum Überschreiten einer vorgegebenen Beschädigungsschwelle ermittelt werden. Alternativ oder zusätzlich kann mittels des auf den bestimmten Dehnungskoeffizienten 22 basierenden Steuersignals zumindest ein Betriebsparameter des elektronischen Moduls geändert werden.
Bezuqszeichen
10 Steuereinrichtung
12 Neuronales Netzwerk
14 Speichermedium
16 Eingabevorrichtung
18 Temperaturen
20 Eingabedaten
22 Dehnungskoeffizienten
24 Ausgabevorrichtung
26 Steuersignal
ES1 erster Ermittlungsschritt
ES2 zweiter Ermittlungsschritt
ES3 dritter Ermittlungsschritt
TS1 erster Trainierschritt
TS2 zweiter Trainierschritt
TS3 dritter Trainierschritt

Claims

Patentansprüche
1 . Verfahren zum Erzeugen eines Steuersignals (26) für ein elektronisches Modul mittels eines neuronalen Netzwerks (12), das Verfahren umfassend:
- Eingabe (ES1 ) von Eingabedaten (20) in das neuronale Netzwerk (12), welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur (18) des elektronischen Moduls umfassen;
- Bestimmen (ES2) von Dehnungskoeffizienten (22) des elektronischen Moduls durch das neuronale Netzwerk (12), basierend auf einem von dem neuronalen Netzwerk (12) gelernten Zusammenhang zwischen den Eingabedaten (20) und den Dehnungskoeffizienten (22); und
- Ausgabe (ES3) des Steuersignals (26) für das elektronische Modul, basierend auf den bestimmten Dehnungskoeffizienten (22).
2. Verfahren nach Anspruch 1 , wobei die Eingabedaten (20) an vorgegebenen Positionen des elektronischen Moduls erfasst werden, wobei die Dehnungskoeffizienten (22) in Abhängigkeit der vorgegebenen Positionen des elektronischen Moduls bestimmt werden.
3. Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend:
- Erzeugen eines mathematischen Modells des elektronischen Moduls;
- Aufteilen des mathematischen Modells des elektronischen Moduls in eine Mehrzahl vorgegebener Teilbereiche, wobei für jeden der Teilbereiche ein Dehnungskoeffizient (22) bestimmt wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend:
- Ermitteln einer verbleibenden Betriebsdauer des elektronischen Moduls bis zum Überschreiten einer vorgegebenen Beschädigungsschwelle desselben, basierend auf dem ausgegebenen Steuersignal (26).
5. Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend:
- Ändern zumindest eines Betriebsparameters des elektronischen Moduls mittels des Steuersignals (26).
6. Verfahren zum Trainieren eines neuronalen Netzwerks (12), welches dazu ausgebildet ist, ein Steuersignal (26) für ein elektronisches Modul zu erzeugen, das Verfahren umfassend:
- Bereitstellen (TS1 ) von Eingabedaten (20) für das neuronale Netzwerk (12), welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur (18) des elektronischen Moduls umfassen;
- Bereitstellen (TS2) von Dehnungskoeffizienten (22) des elektronischen Moduls als Ausgabedaten; und
- Trainieren (TS3) des neuronalen Netzwerks (12) mit den Eingabedaten (20) und den Ausgabedaten, um einen Zusammenhang der Eingabedaten (20) mit den Dehnungskoeffizienten (22) zu lernen und ein Steuersignal (26) für das elektronische Modul basierend auf den Dehnungskoeffizienten (22) auszugeben.
7. Verfahren nach Anspruch 6, wobei das Bereitstellen der Eingabedaten (20) und der Ausgabedaten ferner ein Vorverarbeiten der Eingabedaten (20) und der Ausgabedaten umfasst, wobei das Vorverarbeiten zumindest eines der folgenden umfasst: ein Normalisieren der Daten auf eine einheitliche Skala; ein Skalieren der Daten auf eine einheitliche Skala; ein Vergleichen der Daten mit in einem zeitlich vorangegangenen Trainierschritt verwendeten Daten; eine Reduzierung einer Dimension der Daten; und ein Aufteilen der Daten in Untermengen zum Trainieren, Validieren und Testen des neuronalen Netzwerks (12) während des Trainings.
8. Verfahren nach Anspruch 7, wobei das Trainieren des neuronalen Netzwerks (12) mittels Vorwärts- und Rückwärtspropagation durch das neuronale Netzwerk (12) einer ersten Abweichung des von dem neuronalen Netzwerk (12) bestimmten Zusammenhangs von einem Sollwert erfolgt, wobei die erste Abweichung basierend auf der zum Trainieren verwendeten Untermenge der Eingabedaten (20) und Ausgabedaten ermittelt wird.
9. Verfahren nach Anspruch 8, wobei ferner eine zweite Abweichung des von dem neuronalen Netzwerk (12) bestimmten Zusammenhangs von einem Sollwert, basierend auf der zum Validieren verwendeten Untermenge der Eingabedaten (20) und Ausgabedaten ermittelt wird.
10. Verfahren nach Anspruch 8, wobei ferner eine dritte Abweichung des von dem neuronalen Netzwerk (12) bestimmten Zusammenhangs von einem Sollwert, basierend auf der zum Testen verwendeten Untermenge der Eingabedaten (20) und Ausgabedaten ermittelt wird.
11 . Verfahren nach einem der Ansprüche 8 bis 10, wobei das Trainieren des neuronalen Netzwerks (12) beendet wird, wenn zumindest eine der folgenden Bedingungen erfüllt ist: ein Unterschreiten eines vorgegebenen Schwellenwerts für die erste Abweichung; ein Unterschreiten eines vorgegebenen Schwellenwerts für eine Differenz der ersten und der zweiten Abweichung; und ein Unterschreiten eines vorgegebenen Schwellenwerts für eine Differenz der ersten und der dritten Abweichung.
12. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren auf ein elektronisches Modul eines Spannungswandlers angewandt wird, wobei das elektronische Modul eine Mehrzahl von Komponenten umfasst, welche im Betriebszustand zeitinvariante Temperaturen (18) aufweisen.
13. Steuereinrichtung (10) zur Erzeugung eines Steuersignals (26) für ein elektronisches Modul mittels eines neuronalen Netzwerks (12), die Steuereinrichtung (10) umfassend:
- ein von einem Computer lesbares Speichermedium (14), auf welchem das neuronale Netzwerk (12) zur Erzeugung des Steuersignals (26) gespeichert ist;
- eine Eingabevorrichtung (16) zur Eingabe von Eingabedaten (20) in das neuronale Netzwerk (12), welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur (18) des elektronischen Moduls umfassen; wobei das neuronale Netzwerk (12) zum Bestimmen von Dehnungskoeffizienten (22) des elektronischen Moduls ausgebildet ist, basierend auf einem von dem neuronalen Netzwerk (12) gelenten Zusammenhang zwischen den Eingabedaten (20) und den Dehnungskoeffizienten (22); und
- eine Ausgabevorrichtung (24) zur Ausgabe des Steuersignals (26), basierend auf den bestimmten Dehnungskoeffizienten (22).
PCT/EP2023/072576 2022-09-08 2023-08-16 Erzeugen eines steuersignals für ein elektronisches modul mittels eines neuronalen netzwerks WO2024052067A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022209341.0 2022-09-08
DE102022209341.0A DE102022209341A1 (de) 2022-09-08 2022-09-08 Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks

Publications (1)

Publication Number Publication Date
WO2024052067A1 true WO2024052067A1 (de) 2024-03-14

Family

ID=87696034

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/072576 WO2024052067A1 (de) 2022-09-08 2023-08-16 Erzeugen eines steuersignals für ein elektronisches modul mittels eines neuronalen netzwerks

Country Status (2)

Country Link
DE (1) DE102022209341A1 (de)
WO (1) WO2024052067A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3690558A1 (de) * 2019-02-01 2020-08-05 Toyota Jidosha Kabushiki Kaisha Steuervorrichtung eines verbrennungsmotors, fahrzeuginterne elektronische steuereinheit, maschinenlernsystem, steuerverfahren eines verbrennungsmotors, herstellungsverfahren einer elektronischen steuereinheit und ausgabeparameterberechnungsvorrichtung
EP3871832A1 (de) * 2018-10-31 2021-09-01 DMG Mori Co., Ltd. Verfahren zur korrektur der thermischen verlagerung für werkzeugmaschine
DE102020210826A1 (de) * 2020-08-27 2022-03-03 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Steuern eines elektronischen Wandlers in einem technischen System mithilfe Methoden künstlicher Intelligenz

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3871832A1 (de) * 2018-10-31 2021-09-01 DMG Mori Co., Ltd. Verfahren zur korrektur der thermischen verlagerung für werkzeugmaschine
EP3690558A1 (de) * 2019-02-01 2020-08-05 Toyota Jidosha Kabushiki Kaisha Steuervorrichtung eines verbrennungsmotors, fahrzeuginterne elektronische steuereinheit, maschinenlernsystem, steuerverfahren eines verbrennungsmotors, herstellungsverfahren einer elektronischen steuereinheit und ausgabeparameterberechnungsvorrichtung
DE102020210826A1 (de) * 2020-08-27 2022-03-03 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Steuern eines elektronischen Wandlers in einem technischen System mithilfe Methoden künstlicher Intelligenz

Also Published As

Publication number Publication date
DE102022209341A1 (de) 2024-03-14

Similar Documents

Publication Publication Date Title
DE102017108169B4 (de) Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt
DE19758077B4 (de) Einrichtung zum Steuern des Prüfens integrierter Schaltkreise und Verfahren zum Steuern des Prüfens integrierter Schaltkreise
DE102016011520B4 (de) Produktionsausrüstung mit Maschinenlernsystem und Montage-und Prüfeinheit
DE102013211498B4 (de) System und Verfahren zum Simulieren der Arbeitsweise einer elektrischen Vorrichtung
DE10356444A1 (de) Elektronischer Batterietester
EP1543394A1 (de) Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage
DE60031384T2 (de) Test-und simulationssysteme
DE102018201975A1 (de) Diagnosedaten-erfassungssystem, diagnosesystem und diagnosedaten-erfassungsprogramm
DE112020007131T5 (de) Anomalie-diagnoseverfahren, anomalie-diagnosevorrichtung und anomalie-diagnoseprogramm
DE102021116906A1 (de) Test- und messsystem zur analyse von zu testenden vorrichtungen
DE69925556T2 (de) Verfahren und Vorrichtung zur Korrektur eines Platinenmodells
DE102022211063A1 (de) Controller zum Abschätzen charakteristischer Parameter einer Batterie und Verfahren dafür
WO2024052067A1 (de) Erzeugen eines steuersignals für ein elektronisches modul mittels eines neuronalen netzwerks
EP3460727A1 (de) Verfahren zur untersuchung eines funktionsverhaltens eines technischen systems und auswerteeinheit
DE102018132658A1 (de) Verfahren zur rechnergestützten Auswertung einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs
DE69527172T2 (de) Methoden und Apparate zur Ankermessung
DE112018005613T5 (de) Diagnosevorrichtung und diagnoseverfahren
DE112014002802T5 (de) Batteriepacksystem, Halbleiterschaltung und Diagnoseverfahren
DE4124501A1 (de) Neuronales netz mit automatischer zellbildung
DE102022211579A1 (de) Systeme und verfahren zum erkennen von verbindungsanomalien
DE102019107935A1 (de) Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterie eines Fahrzeuges
DE10222072A1 (de) Diagnoseverfahren für dynamische Systeme
DE102022200008A1 (de) Verfahren und System zum effizienten Überwachen von Batteriezellen einer Gerätebatterie in einer geräteexternen Zentraleinheit mithilfe eines digitalen Zwillings
DE102021214577A1 (de) Verfahren zum Erwärmen und Kühlen eines Bauteils eines Motors
WO2022162060A1 (de) Big-data für fehlererkennung in batteriesystemen

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: 23757273

Country of ref document: EP

Kind code of ref document: A1