EP1769151A1 - Fahrzeug-steuergerät mit einem neuronalen netz - Google Patents

Fahrzeug-steuergerät mit einem neuronalen netz

Info

Publication number
EP1769151A1
EP1769151A1 EP05754695A EP05754695A EP1769151A1 EP 1769151 A1 EP1769151 A1 EP 1769151A1 EP 05754695 A EP05754695 A EP 05754695A EP 05754695 A EP05754695 A EP 05754695A EP 1769151 A1 EP1769151 A1 EP 1769151A1
Authority
EP
European Patent Office
Prior art keywords
control unit
network
data
vehicle
vehicle control
Prior art date
Legal status (The legal status 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 status listed.)
Withdrawn
Application number
EP05754695A
Other languages
English (en)
French (fr)
Inventor
Eric Borrmann
Christof Schernus
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FEV Europe GmbH
Original Assignee
FEV Motorentechnik GmbH and Co KG
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 FEV Motorentechnik GmbH and Co KG filed Critical FEV Motorentechnik GmbH and Co KG
Publication of EP1769151A1 publication Critical patent/EP1769151A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Definitions

  • the present invention relates to a vehicle control unit having one or more neural networks and to a method for generating at least one vehicle-specific characteristic map.
  • parameter models are used to predict operating conditions as well as for control.
  • WO 01/14704 A1 it is known to carry out a method for validating parameter models of underlying quantities, wherein the parameter models are to be used to determine setpoint values for operating parameters which characterize an operating mode of an internal combustion engine.
  • DE 100 10 681 A1 in turn, a virtual torque sensor based on neural networks for implementation in motor vehicle control devices is known. In this case, reference is made to a simulation with a calculation model in the vehicle control device, which should have various neural networks or fuzzy systems.
  • Object of the present invention is to provide a vehicle control unit, with the best possible utilization of a computing power of the control unit is made possible.
  • a vehicle control unit with a neural network wherein one or more backpropagation networks are coupled to one or more radial basis functions.
  • one or more radial basis functions are constructed as networks upstream of the backpropagation network or networks.
  • the radial basis function network in the following RBF network, as well as the backpropagation network are preferably designed as forward-looking networks.
  • an RBF network for example, has only one hidden layer but may also have several layers
  • the back propagation network likewise has only one hidden layer, for example Continuing education, however, can also possess several hidden layers.
  • One embodiment provides to provide the RBF network in multiple layers, while the backpropagation network is preferably formed only with a hidden layer.
  • an output layer of the backpropagation network can be chosen to be linear or non-linear. This is in particular dependent on the need.
  • computer nodes viewed from the neurons, can be of the same type in a hidden layer and in an output layer.
  • a structure of the neurons in the hidden layer is different than in the output layer. Furthermore, a hidden layer in the RBF network is not linear while the output layer is linear. In the backpropagation network, preferably both layers, hidden layer and output layer, are not linear. Another advantage of the coupling of both networks arises due to the different activation function. While an argument of the activation functions in the RBF network is the Euclidean distance between an input vector and a respective center, in the backpropagation network an activation function may depend on the inner product of the input vector and the weighting vector of the respective neuron.
  • a further, particularly advantageous point in the combination of backpropagation networks with RBF networks results from the fact that the backpropagation network is then suitable for being able to perform an approximation in regions of an input space in which there is little or no training data .
  • the RBF network has a shorter training time and, in particular, is less sensitive to an input sequence of the training data. Because the RBF network can be used for any implementation of a non-linear transformation of an input space, the data determined by the RBF network can be easily transferred to the back propagation network.
  • the neural network constructed in this way approximates a function value as a function of one or more input values.
  • the approximated functional values are, for example, a system Answer, that is a reaction of a technical process of the vehicle to certain factors. In the field of an internal combustion engine, this may be an air mass flow in response to a manifold pressure, an engine speed, and / or a throttle position.
  • a favorable approximation behavior of the system response through the neural network is achieved after the parameters of the neural network have been suitably adapted for the system.
  • the approximation error of the network is preferably minimized by means of a non-linear optimization method.
  • the procedure of this adaptation will be referred to below as training.
  • the training of the neural network requires a larger number of input and associated output values of the process to be considered. Often, however, a sufficient number of such data sets are not available at a reasonable cost.
  • the coupling of one or more RBF networks with one or more backpropagation networks makes it possible to supplement the database for training the neural network from a small number of observation values of the process to be investigated.
  • the data can be determined on the basis of an overall smooth system response.
  • smooth means that the system response between observation points as well as outside the observation points has no to few turns.
  • the RBF network is directly coupled to the backpropagation network. In this case, no further, in particular data-changing element between the two networks is arranged.
  • the speed of the RBF network allows the immediate flow of data determined in the RBF network into the coupled back propagation network for approximation by means of the neural network.
  • one or more feedbacks between, for example, the RBF network and the backpropagation network as well as between the neural network and the RBF network can be provided.
  • the neural network is constructed such that already available input and output data as learning data for the training of the back propagation network between the known values and also limited outside of these are supplemented by virtual learning data.
  • the virtual learning data is transmitted via one or more RBF Nets determined and transferred to the back propagation network.
  • RBF Nets determined and transferred to the back propagation network.
  • data created by the backpropagation network alone can be transferred via the RBF network.
  • the data transmitted by the RBF network are supplemented to the backpropagation network by the original data, which are likewise transmitted to the backpropagation network.
  • An advantage of this procedure is that a significantly reduced number of measurement data is required for a training of the backpropagation networks by a supplementation by virtual learning data.
  • the method makes use of the capability of RBF networks to approximate smooth system responses, but bypasses their high demands on computing power and storage space of the real-time system through the use of backpropagation networks.
  • Such an RBF network can now be used to add intermediate values in any number to the seven or ten basic values in the training data set.
  • This extended training data set is then used for the adaptation of the parameters of the backpropagation network.
  • the accuracy of a backpropagation network trained in this way can be comparable to that of a network that has been trained with a significantly higher number of pure measured data.
  • Coupling RBF networks with backpropagation networks can reduce the scope of experimental investigations. Due to the lower number of necessary experimentally determined data sets, experimental savings as well as test savings can be achieved. In addition, there is also the possibility that additional training data can be generated on the basis of existing measurement data. In this way, the approximation quality of a backpropagation network used in a control algorithm can be improved.
  • the neural network can be used for real-time systems as well as for simulations. It is also possible to use such a neural network to generate vehicle-specific maps, store them on a data carrier and, for example, use them in a simulation or play them in a vehicle control unit. Also, such a method can be stored on a data carrier and transferred to a vehicle control unit. In particular, there is the possibility of use in real-time systems and / or in diagnostic systems.
  • Preferred applications of the above-described method or vehicle control unit are, for example:
  • input as well as output signals of the control unit can be coupled to one another via one or more neural networks.
  • Such signals are, for example, an engine speed, a crankshaft position, a throttle angle !, an accelerator pedal position, an air mass flow, an intake manifold pressure, a residual oxygen in the exhaust gas (lambda value), an engine temperature, an oil temperature, an air pressure, an air temperature, a tendency to knock, exhaust gas recirculation, intake air charging, tank ventilation, ignition timing, injection quantity, injection timing, valve opening and closing times, and other possible input and output signals.
  • This list is only an example without being conclusive.
  • the engine control unit with one or more Steuerge ⁇ devices in connection and has a data exchange.
  • the data exchange but er ⁇ preferably follows analog or digital, for example via a CAN bus, and / or via a MOST connection.
  • a control device for at least one valve drive has a Benes neural network.
  • a control device which acts on a fuel injection, such a neural network has such a neural network, which acts on an exhaust gas behavior of a vehicle.
  • a control device which acts on a safety device has such a neural network as described above.
  • the safety device is preferably controlled, regulated and / or triggered by the control device.
  • the control unit can control a vehicle position. This is possible for example by means of an ESP system.
  • Further safety devices may be: airbags, light control, brakes, tire control, oil supply, distance control to other vehicles, yaw behavior of the vehicle, ABS systems, emergency systems, in particular emergency running systems for engines, fire protection systems, cooling systems or the like.
  • a simulator and / or test device This can be a stationary or mobile device.
  • a simulation is carried out, for example, with a data record obtained by means of input tests and specifying specific driving ranges, loads and / or requirement profiles.
  • the amount of data increases, preferably at least by a factor of 3.
  • the backpropagation network then generates the characteristic field. This can subsequently be tested and evaluated and improved on measured quantities.
  • a vehicle control unit having the above-described neural network is used to control one or more vehicle-related parameters or devices.
  • the vehicle control unit can also be used to control this.
  • the deployable neural network can in particular be additionally coupled with other neural networks or fuzzy models. Possible couplings can be made, for example, with neural model structures, as they emerge from DE 100 10 681 A1. In the context of this disclosure, reference is therefore made in this regard fully to this document.
  • RBFs when using the neural network described above, it is advantageous, for example, with up to ten neurons with respect to the RBF network is working. Exact, ie interpolating, RBFs, however, can also require significantly more than ten neurons if each measurement point is occupied by a neuron. The numerical complexity of the calculation may then be higher than that of backpropagation networks. By contrast, approximating RBF networks can be designed with fewer neurons and, according to a development, represent an alternative to apativeizing backpropagation networks. In particular, there is also the possibility that a trial room is provided as part of an experimental design, the partially correlated data and / or non-orthogonal spaces.
  • the neural network described above enables the provision of multilinear interpolarities that may not be continuously differentiable at the measurement points.
  • an adaptive component design is provided by using the neural network.
  • a multilayer perceptrance network with backpropagation-leaming (MLP) is provided.
  • a back propagation through time network (BPtT) is used.
  • MLP backpropagation-leaming
  • BtT back propagation through time network
  • the neural network can also have a grid structure in which a one-, two- or more-dimensional arrangement of neurons with an associated set of nodes extend the input signals to this arrangement. This can be done in particular in the form of self-organizing maps (SOM).
  • SOM self-organizing maps
  • the present invention thus relates to a vehicle control unit having a neural network, wherein one or more backpropagation networks are coupled to one or more radial basis functions. Furthermore, a method is provided for generating at least one vehicle-specific characteristic map, wherein a plurality of input data are processed and supplied by means of a neural network via one or more radial base functions which are coupled to one or more back propagation networks a map are processed.
  • Fig. 2 shows a parallel connection of controllers with neural networks
  • Fig. 1 shows an example of a structure of a neural network, as it is preferably integrated in a motor vehicle control unit.
  • Original data 1 are preferably specified, but can also be generated. These can be supplied via sensors to the control unit.
  • original data 1 has a data record consisting of several measurements of one or more output variables of a system and the associated input variables. This system behavior is later to be approximated by a neural backpropagation network.
  • an RBF network is first trained on the basis of this original data. The parameters of the RBF model are then available as data set 3.
  • the input space described by the original data 1 is checked for sufficient coverage with respect to the backpropagation network to be trained later, and additional virtual input data 5 are determined.
  • These virtual input data 5 are used in the process 6 using the data set 3 of the RBF network parameters in order to generate a virtual system output or a virtual system response 7.
  • This virtual system response 7 together with the virtual input data 5 gives the virtual system behavior 8.
  • the virtual system behavior 8 combined with the original data 1 in turn result in extended training data 9.
  • the extended training data 9 are used to train the backpropagation network 10 ,
  • a control device implementation 12 respectively.
  • a model-based control 13 for example an internal combustion engine, takes place via the control unit implementation 12. In this way as well as in another way an RBF network is connected upstream of a back propagation network.
  • a multidimensional search and interpolation of characteristic map points can be replaced by a continuous mathematical approximation, ie by the output of an MLP.
  • the sufficient excitation required for the training of the MLP can be achieved by supplementing the output and input space by means of the virtual input data and virtual system response.
  • FIG. 2 shows an embodiment in which a plurality of control devices 14, 15, 16 are connected in parallel to each other via a bus system 7.
  • This interconnection allows a neuron network to access not only a control unit 4 but a plurality of control units 14, 15, 16 and execute arithmetic operations in parallel. In this way, a real-time-based control can be improved by utilizing the available computing capacity of a vehicle.
  • the same or different neural networks configured with identical components can be coupled to one another.
  • FIG. 3 shows a schematic view of a possible use of a method for establishing at least one vehicle-specific characteristic map or a deployment of a vehicle control unit with a neural network, as well as an application of a data carrier with a program for creating a simulation for a vehicle or for loading into a vehicle control unit.
  • the schematically indicated vehicle can stand for a movable vehicle that is used. However, it can also stand for a stationary test stand, in particular a stationary test stand or diagnostics stand.
  • a vehicle 18 an engine control unit 19, a vehicle position monitoring control unit 20 and a vehicle distance monitoring Steuer ⁇ device 21 are shown.
  • a lateral distance to adjacent vehicles is monitored with the control unit 21 monitoring the distance.
  • a rearward or forward-facing distance to vehicles or other objects can also be monitored.
  • a drive train and / or a yawing effect and / or a rotational behavior of wheels 22 are monitored and, in particular, controlled by the control device 20 monitoring the vehicle position.
  • the engine control unit 19 monitors and regulates in particular an internal combustion engine as well as, for example, associated units and exhaust gas components such as filters or catalytic converters.
  • the control units 20, 21, 22 are preferably networked with each other and each have at least one neural network at least for monitoring, but in particular for the control and / or regulation of components on the vehicle.
  • the data records required for the respective components can be recorded, for example, by means of an experiment and processed by way of a computer 23 into characteristic diagrams. These maps can be stored for example on a disk 24.
  • the data carrier 24 can be, for example, a CD-ROM, a DVD, a floppy disk, a hard disk or another type of storage medium, such as a memory chip.
  • the data carrier 24 is preferably connected to a further schematically illustrated vehicle control unit 25, wherein the data present on the data carrier as well as one or more programs can be loaded onto the vehicle control unit 25.
  • novel neural networks can, for example, be subsequently introduced for the purpose of improved real-time calculation, in particular for controlling vehicle components, even existing vehicle control devices. This is of course also by replacing a corresponding chipset, which is housed in the vehicle control unit.
  • test runs are carried out with the vehicle 18, whereby data recorded via corresponding data carriers are collected via the vehicle control units 19, 20, 21.
  • This real data obtained can be stored on the disk 24 and further evaluated by the computer 23 and extended with additional virtual data obtained. This can be carried out in particular according to the method shown in Fig. 1.
  • Examples of this in the aviation industry are control and regulation of jet engines, attitude and air conditioning, in traffic engineering a control of traffic lights, speed limits, overtaking bans, continuous light signs to optimize the traffic flow, in domestic and air conditioning, for example, an adaptive Rege ⁇ treatment House heating systems, burners, solar thermal systems, in the metal processing industry, for example, monitoring of quality features in the production process, eg control of welding current and feed in welding technology Connection technology and material properties of alloys, in the chemical industry, for example, an optimization of formulations and a regulation of Mi ⁇ Schungsab Mén and thermal state variables in reactors and Materialflüs ⁇ sen with variable flow properties and in agriculture, for example, an optimization of the cultivation result as well as a regulation of Air conditioning, irrigation and fertilization in breeding facilities and greenhouses.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Feedback Control In General (AREA)

Abstract

Die vorliegende Erfindung betrifft ein Fahrzeug-Steuergerät mit einem neuronalen Netz, wobei ein oder mehrere Backpropagation-Netze mit einer oder mehreren Radial-Basis­ Funktionen gekoppelt sind. Weiterhin wird ein Verfahren zur Erstellung von zumindest einem fahrzeugspezifischen Kennfeld zur Verfügung gestellt, wobei eine Mehrzahl an Eingangsdaten mittels eines neuronalen Netzes über eine oder mehrere Radial-Basis­Funktionen, die mit einem oder mehreren Backpropagation-Netzen gekoppelt sind, aufge­arbeitet und zu einem Kennfeld verarbeitet werden.

Description

Fahrzeug-Steuergerät mit einem neuronalen Netz
Die vorliegende Erfindung betrifft ein Fahrzeug-Steuergerät mit einem oder mehreren neuronalen Netzen sowie ein Verfahren zur Erstellung von zumindest einem fahrzeug- spezifischen Kennfeld.
Aus dem Stand der Technik ist es bekannt, dass bei Fahrzeugen, insbesondere für Verbrennungskraftmaschinen, Parametermodelle zur Vorhersage von Betriebszuständen wie auch zur Regelung eingesetzt werden. So ist beispielsweise aus der WO 01/14704 A1 bekannt, ein Verfahren zur Validierung von Parametermodellen zugrunde liegender Grö¬ ßen vorzunehmen, wobei die Parametermodelle zur Ermittlung von Sollwerten für Be¬ triebsparameter dienen sollen, die einen Betriebsmodus einer Verbrennungskraftmaschi¬ ne charakterisieren. Aus der DE 100 10 681 A1 ist wiederum ein virtueller Drehmoment¬ sensor auf Basis neuronaler Netze zur Implementierung in Kraftfahrzeugsteuergeräten bekannt. Hierbei wird auf eine Nachbildung mit einem Berechnungsmodell im Fahr¬ zeugsteuergerät abgestellt, welches verschiedenartige neuronale Netze bzw. Fuzzy- systeme aufweisen soll.
Aufgabe der vorliegenden Erfindung ist es, ein Fahrzeug-Steuergerät vorzusehen, mit dem eine bestmögliche Ausnutzung einer Rechenleistung des Steuergerätes ermöglicht wird.
Diese Aufgabe wird mit einem Fahrzeug-Steuergerät mit den Merkmalen des Anspruches 1 sowie mit einem Verfahren zur Erstellung von zumindest einem fahrzeugspezifischen Kennfeld mit den Merkmalen des Anspruches 18 gelöst. Weitere vorteilhafte Aufgaben und Weiterbildungen sind in den weiteren Ansprüchen angegeben.
Erfindungsgemäß ist ein Fahrzeug-Steuergerät mit einem neuronalen Netz vorgesehen, wobei ein oder mehrere Backpropagation-Netze mit einer oder mehreren Radial-Basis- Funktionen gekoppelt sind. Vorzugsweise sind eine oder mehrere Radial-Basis- Funktionen als Netze aufgebaut, die den Backpropagation-Netz oder -Netzen vorgelagert sind. Auf diese Weise gelingt es, dass die jeweiligen Vorteile von Backpropagation- Netzen mit Radial-Basis-Funktions-Modellen verknüpft werden können, um darüber ein Fahrzeug-Steuergerät mit der in der Regel beschränkten Rechnerkapazität optimal aus- nutzen zu können. Das Radial-Basis-Funktionen-Netz, im Folgenden RBF-Netz, wie auch das Backpropaga- tion-Netz sind vorzugsweise als vorwärtsgerichtete Netzwerke ausgebildet. Insbesondere wird hierbei wie auch bei anderen Konstellationen einer Koppelung beider Netze ausge¬ nutzt, dass ein RBF-Netz beispielsweise nur eine verdeckte Schicht aufweist, jedoch auch mehrere Schichten aufweisen kann, während das Backpropagation-Netz beispielsweise ebenfalls nur eine verdeckte Schicht besitzt, gemäß einer Weiterbildung jedoch auch mehrere verdeckte Schichten besitzen kann. Eine Ausgestaltung sieht vor, das RBF-Netz mehrschichtig vorzusehen, während das Backpropagation-Netz vorzugsweise nur mit einer verdeckten Schicht gebildet wird. Vorzugsweise kann eine Ausgangsschicht des Backpropagations-Netzes linear wie auch nicht-linear gewählt werden. Dieses ist insbe¬ sondere vom Bedarf abhängig. Weiterhin können beim Backpropagation-Netz Computer¬ knoten von den Neuronen her betrachtet in einer verdeckten Schicht und in einer Ausga¬ beschicht von gleicher Art sein. Im RBF-Netz ist ein Aufbau der Neuronen in der verdeck¬ ten Schicht anders als in der Ausgabeschicht. Weiterhin ist eine verdeckte Schicht im RBF-Netz nicht linear, während die Ausgabeschicht linear ist. Beim Backpropagation-Netz sind vorzugsweise beide Schichten, verdeckte Schicht und Ausgabeschicht, nicht linear. Ein weiterer Vorteil der Kopplung beider Netze ergibt sich aufgrund der unterschiedlichen Aktivierungsfunktion. Während ein Argument der Aktivierungsfunktionen im RBF-Netz der euklidische Abstand zwischen einem Eingabevektor und einem jeweiligen Zentrum ist, kann beim Backpropagation-Netz eine Aktivierungsfunktion vom inneren Produkt des Ein¬ gabevektors und des Gewichtungsvektors des jeweiligen Neurons abhängen. Ein weite¬ rer, besonders vorteilhafter Punkt bei der Kombination von Backpropagation-Netzen mit RBF-Netzen ergibt sich dadurch, dass das Backpropagation-Netz dann geeignet ist, in Regionen eines Eingaberaumes eine Approximation vornehmen zu können, in dem wenig oder überhaupt keine Trainingsdaten vorliegen. Das RBF-Netz dagegen weist eine kürze¬ re Trainingszeit auf und reagiert insbesondere weniger empfindlich auf eine Eingaberei¬ henfolge der Trainingsdaten. Dadurch, dass das RBF-Netz für jede beliebige Implemen¬ tierung einer nicht-linearen Transformation eines Eingaberaumes genutzt werden kann, lassen sich die vom RBF-Netz ermittelten Daten ohne Weiteres in das Backpropagation- Netz übertragen.
Aufgrund der Koppelung von Backpropagation-Netz mit RBF-Netz ist insbesondere eine zeitkritische und echtspeicherkritische Anwendung bei der Berechnung von Kennfeldda¬ ten ermöglicht. Das derart aufgebaute neuronale Netz approximiert einen Funktionswert in Abhängigkeit von einem oder mehreren Eingangswerten. Im Bereich der Fahrzeugtechnik handelt es sich bei den approximierten Funktionswerten beispielsweise um eine System- antwort, das heißt eine Reaktion eines technischen Prozesses des Fahrzeuges auf bestimmte Einflussgrößen. Im Bereich einer Verbrennungskraftmaschine kann dieses ein Luftmassenstrom als Reaktion auf einen Saugrohr-Druck, eine Motordrehzahl und/oder eine Drosselklappenstellung sein.
Ein günstiges Approximationsverhalten der Systemantwort durch das neuronale Netz wird erreicht, nachdem die Parameter des neuronalen Netzes für das System geeignet adap¬ tiert worden sind. Dabei wird der Approximationsfehler des Netzes vorzugsweise mit ei¬ nem nicht-linearen Optimierungsverfahren minimiert. Das Verfahren dieser Adaption soll im Folgenden als Training bezeichnet werden. Für das Training des neuronalen Netzes wird eine größere Anzahl von Eingangs- und zugehörigen Ausgangswerten des zu be¬ trachtenden Prozesses benötigt. Oftmals stehen jedoch eine ausreichende Anzahl derar¬ tiger Datensätze messtechnisch nicht mit vertretbarem Aufwand zur Verfügung. Durch die Koppelung eines oder mehrerer RBF-Netze mit einem oder mehreren Backpropagation- Netzen wird jedoch ermöglicht, aus einer geringen Menge an Beobachtungswerten des zu untersuchenden Prozesses die Datenbasis für das Training des oder der neuronalen Net¬ ze zu ergänzen. Vorzugsweise wird dabei angenommen, dass die Daten aufgrund einer insgesamt glatten Systemantwort ermittelt werden können. In diesem Zusammenhang bedeutet das Wort "glatt", dass die Systemantwort zwischen Beobachtungspunkten wie auch außerhalb der Beobachtungspunkte keine bis wenige Wendestellen aufweist. Auf diese Weise kann sich der Vorteil eines RBF-Netzes, auf der Basis weniger Trainingsda¬ ten glatte Systemantworten, approximieren zu können, mit dem Vorteil des Backpropaga- tion-Netzes verbinden, eine hohe Approximationsgüte zu schaffen.
Bevorzugt ist, wenn das RBF-Netz direkt mit dem Backpropagation-Netz gekoppelt ist. Dabei ist kein weiteres, insbesondere Daten veränderndes Element zwischen den beiden Netzen angeordnet. Die Schnelligkeit des RBF-Netzes erlaubt das sofortige Einfließen von im RBF-Netz ermittelten Daten in das angekoppelte Backpropagation-Netz zur Ap¬ proximierung mittels des neuronalen Netzex. Hierbei können auch ein oder mehrere Rückkoppelungen zwischen beispielsweise dem RBF-Netz und dem Backpropagation- Netz wie auch zwischen dem neuronalen Netz und dem RBF-Netz vorgesehen sein.
Gemäß einer Ausgestaltung ist das neuronale Netz derart aufgebaut, dass bereits verfüg¬ bare Ein- und Ausgangsdaten als Lerndaten für das Training des Backpropagation-Netzes zwischen den bekannten Werten sowie begrenzt auch außerhalb von diesen durch virtuel¬ le Lerndaten ergänzt wird. Die virtuelle Lerndaten werden über ein oder mehrere RBF- Netze ermittelt und dem Backpropagation-Netz übergeben. Auf diese Weise können dem Backpropagation-Netz allein über das RBF-Netz geschaffene Daten übergeben werden. Gemäß einer weiteren Ausgestaltung ist vorgesehen, dass die vom RBF-Netz übergebe- nen Daten an das Backpropagation-Netz ergänzt werden durch die Originaldaten, die dem Backpropagation-Netz ebenfalls übergeben werden.
Ein Vorteil dieser Vorgehensweise ist, dass durch eine Ergänzung durch virtuelle Lernda¬ ten eine deutlich reduzierte Anzahl von Messdaten für ein Training der Backpropagation- Netze benötigt wird. Das Verfahren nutzt insbesondere die Fähigkeit von RBF-Netzen zur Approximation glatter Systemantworten, umgeht dabei aber deren hohe Anforderungen an Rechenleistung und Speicherplatz des Echtzeitsystems durch den Einsatz der Backpropagation-Netze.
Anhand eines Beispiels einer Sinus-Funktion im Wertebereich 0 bis 2π wird im Folgenden ein Einsparpotential einer Rechenleistung für eine zweistufige gekoppelte Anwendung von RBF-Netz und Backpropagation-Netz angegeben. Für ein erfolgreiches Training eines Backpropagation-Netzes mit drei Neuronen in einer verdeckten Schicht werden mindes¬ tens zwölf Abtastungen der Sinus-Funktion zuzüglich weiterer Validierungsdaten benötigt. Nach einer Regel, dass 50 % der verfügbaren Daten für das Training verwendet werden können, während der Rest für die Validierung verbleiben soll, bedeutet dieses einen Be¬ darf von 24 Wertepaaren. Damit erreicht das Backpropagation-Netz in diesem Anwen¬ dungsfall eine hervorragende Genauigkeit. Ein RBF-Netz erreicht mit sieben Abtastungen als Trainingsdaten ausreichende, mit zehn Abtastungen gute Genauigkeit, wobei wieder jeweils die Validierungsdaten hinzuzurechnen sind. Ein derartiges RBF-Netz kann nun benutzt werden, um zu den sieben bzw. zehn Basiswerten im Trainingsdatensatz Zwi¬ schenwerte in beliebiger Anzahl hinzuzufügen. Dieser erweiterte Trainingsdatensatz wird anschließend für die Adaption der Parameter des Backpropagation-Netzes verwendet. Abhängig von der Anzahl der Zwischenwerte und der Approximationsgüte des RBF- Netzes kann die Genauigkeit eines auf diese Weise trainierten Backpropagation-Netzes vergleichbar sein zu der eines Netzes, das mit einer wesentlich höheren Anzahl von rei¬ nen Messdaten trainiert worden ist.
Durch die Koppelung von RBF-Netzen mit Backpropagation-Netzen kann ein Umfang experimenteller Untersuchungen reduziert werden. Aufgrund der geringeren Anzahl not- wendiger experimentell ermittelter Datensätze lassen sich Versuchseinsparungen wie auch Testeinsparungen ergeben. Darüber hinaus besteht ebenfalls die Möglichkeit, dass auf Basis schon vorhandener Messdaten zusätzliche Trainingsdaten generiert werden. Auf diese Weise kann die Approximationsgüte eines in einem Regelungsalgorithmus ver¬ wendeten Backpropagation-Netzes verbessert werden. Insbesondere kann das neuronale Netz für Echtzeitsysteme wie auch für Simulationen eingesetzt werden. Auch besteht die Möglichkeit, mit einem derartigen neuronalen Netz fahrzeugspezifische Kennfelder zu generieren, diese auf einem Datenträger zu speichern und beispielsweise bei einer Simu¬ lation zu nutzen oder in ein Fahrzeug-Steuergerät aufzuspielen. Auch kann ein derartiges Verfahren auf einem Datenträger gespeichert und in ein Fahrzeug-Steuergerät überspielt werden. Insbesondere besteht die Möglichkeit des Einsatzes in Echtzeitsystemen und/oder auch in Diagnosesystemen.
Bevorzugte Anwendungen des oben beschriebenen Verfahrens bzw. Fahrzeug- Steuergerätes sind beispielsweise:
a) Der Einsatz in einem Motorsteuergerät. Hierbei können Eingangs- wie auch als Ausgangssignale des Steuergerätes über ein oder mehrere neuronale Netze mitein¬ ander gekoppelt sein. Derartige Signale sind beispielsweise eine Motordrehzahl, ei¬ ne Kurbelwellenposition, ein Drosselklappenwinke!, eine Fahrpedalposition, ein Luftmassenstrom, ein Saugrohrdruck, ein Restsauerstoff im Abgas (Lambda-Wert), eine Motortemperatur, eine Öltemperatur, ein Luftdruck, eine Lufttemperatur, eine Klopfneigung, eine Abgasrückführung, eine Ansaugluftaufladung, eine Tankentlüf¬ tung, ein Zündzeitpunkt, eine Einspritzmenge, ein Einspritzzeitpunkt, Ventilöffnungs- wie auch -schließzeiten, und andere mögliche Eingangs- wie Ausgangssignale. Die¬ se Aufzählung ist nur beispielhaft ohne abschließend zu sein. Neben diesen Stell-, Steuer- und Regelgrößen können auch weitere Parameter dargestellt und adaptiert werden. Modellbasiert können dieses auch Systemeigenschaften wie Reibleistung, Wärmeverluste, Kraftstoffqualität und -Verdampfungseigenschaften, Brennraum¬ dichtigkeit oder anderes sein. Diese wie auch andere Werte können nicht nur im Motorsteuergerät, sondern auch über andere Steuergeräte ermittelt bzw. geregelt werden. Vorzugsweise ist das Motorsteuergerät mit einem oder mehreren Steuerge¬ räten in Verbindung und weist einen Datenaustausch auf. Der Datenaustausch er¬ folgt aber vorzugsweise analog oder digital, beispielsweise über einen CAN-Bus, und/oder über eine MOST-Verbindung.
b) Der Einsatz in einem fahrzeugspezifischen Steuergerät. Gemäß einer ersten Aus¬ gestaltung weist ein Steuergerät für zumindest einen Ventiltrieb ein oben beschrie- benes neuronales Netz auf. Gemäß einer zweiten Ausgestaltung weist ein Steuer¬ gerät, das auf eine Kraftstoffeinspritzung wirkt, ein derartiges neuronales Netz auf. Gemäß einer dritten Ausgestaltung weist ein Steuergerät ein derartiges neuronales Netz auf, welches auf ein Abgasverhalten eines Fahrzeuges wirkt. Gemäß einer vierten Ausgestaltung weist ein Steuergerät, das auf eine Sicherheitseinrichtung wirkt, ein derartiges oben beschriebenes neuronales Netz auf. Vorzugsweise wird mit dem Steuergerät die Sicherheitseinrichtung gesteuert, geregelt und/oder ausge¬ löst. Beispielsweise kann das Steuergerät eine Fahrzeuglage steuern. Dieses ist beispielsweise mittels eines ESP-Systems möglich. Weitere Sicherheitseinrichtun- gen können sein: Airbags, Lichtsteuerung, Bremsen, Reifenkontrolle, Ölversorgung, Abstandsregelungen zu anderen Fahrzeugen, Gierverhalten des Fahrzeugs, ABS- Systeme, Notsysteme, insbesondere Notlaufsysteme für Motoren, Brandschutzsys¬ teme, Kühlsysteme oder Ähnliches.
c) Der Einsatz in einem Simulator und/oder Testgerät. Hierbei kann es sich um ein stationäres oder mobiles Gerät handeln. Eine Simulation erfolgt beispielsweise mit einem über Eingangsversuche gewonnenen, spezielle Fahrbereiche, Belastungen und/oder Anforderungsprofile charakterisierenden Datensatz. Durch die Bearbeitung des Datensatzes zuerst mit dem RBF-Netz erhöht sich die Datenmenge, vorzugs- weise zumindest um den Faktor 3. Mit diesen Daten erzeugt das Backpropagation- Netz anschließend das Kennfeld. Dieses kann nachfolgend getestet und an dabei gemessenen Größen bewertet und verbessert werden.
Vorzugsweise wird ein Fahrzeug-Steuergerät mit dem oben beschriebenen neuronalen Netz zur Regelung von einem oder mehreren ein Fahrzeug betreffenden Parametern bzw. Einrichtungen genutzt. Auch kann das Fahrzeug-Steuergerät zur Steuerung hierfür einge¬ setzt werden.
Das einsetzbare neuronale Netz kann insbesondere mit anderen neuronalen Netzen bzw. Fuzzy-Modellen zusätzlich gekoppelt sein. Mögliche Kopplungen können beispielsweise mit neuronalen Modellstrukturen eingegangen werden, wie sie aus der DE 100 10 681 A1 hervorgehen. Im Rahmen dieser Offenbarung wird daher diesbezüglich voll umfänglich auf diese Druckschrift verwiesen.
Insbesondere bei der Verwendung des oben beschriebenen neuronalen Netzes ist es vorteilhaft, wenn beispielsweise mit bis zu zehn Neuronen bezüglich des RBF-Netzes gearbeitet wird. Exakte, das heißt interpolierende, RBF können jedoch auch erheblich mehr als zehn Neuronen benötigen, wenn jeder Messpunkt durch ein Neuron besetzt wird. Der numerische Aufwand der Berechnung liegt dann eventuell über dem von Backpropagation-Netzen. Approximierende RBF-Netze können dagegen mit weniger Neu- ronen ausgelegt werden und stellen gemäß einer Weiterbildung eine Alternative zu ap¬ proximierenden Backpropagation-Netzen dar. Insbesondere besteht auch die Möglichkeit, dass im Rahmen einer Versuchsplanung ein Versuchsraum vorgesehen wird, der teilkor- relierte Daten und/oder nicht-ortogonale Räume vorsieht. Insbesondere ermöglicht das oben beschriebene neuronale Netz das Vorsehen von multilinearen Interpolaritäten, die eventuell nicht stetig differenzierbar in den Messpunkten sind. Gemäß einer Weiterbildung ist eine adaptive Komponentengestaltung durch Nutzung des neuronalen Netzes vorge¬ sehen. Gemäß einer weiteren Ausbildung ist vorgesehen, dass ein Multilayer-Perceptrance-Netz mit Backpropagation-Leaming (MLP) vorgesehen ist. Gemäß einer weiteren Ausgestal- tung ist vorgesehen, dass ein Backpropagation-through-time-Netz (BPtT) genutzt wird. Neben dem Einsatz eines ein- oder mehrschichtigen Feed-forward-Netzes können auch ein oder mehrere rekursive neuronale Netze mit oder ohne Eigenrückkopplung ebenfalls vorgesehen werden. Insbesondere kann das neuronale Netz auch eine Gitternetz-Struktur aufweisen bei der eine ein-, zwei- oder mehr-dimensionale Anordnung von Neuronen mit einer dazugehörigen Menge von Knoten die Eingangssignale zu dieser Anordnung weiter¬ reichen. Dieses kann insbesondere in Form von Self-Organizing Maps (SOM) erfolgen.
Gemäß eines weiteren Gedanken der Erfindung können anstelle von einer Backpropaga- tion-Funktion und RBF auch andere approximierende bzw. interpolierende Verfahren ein- gesetzt werden, wie z.B. LOLIMOT, SOM, gegebenenfalls Spline-Interpolation. Letztere findet insbesondere dann Verwendung, wenn ein Eingangsraum eine begrenzte Multidi- mensionalität aufweist, so dass eine Rechenzeit in etwa vergleichbar ist zu der bei einem approximierenden neuronalen Netz.
Die vorliegende Erfindung betrifft somit ein Fahrzeug-Steuergerät mit einem neuronalen Netz, wobei ein oder mehrere Backpropagation-Netze mit einer oder mehreren Radial- Basis-Funktionen gekoppelt sind. Weiterhin wird ein Verfahren zur Erstellung von mindes¬ tens einem fahrzeugspezifischen Kennfeld zur Verfügung gestellt, wobei eine Mehrzahl von Eingangsdaten mittels eines neuronalen Netzes über eine oder mehrere Radial- Basis-Funktionen, die mit einem oder mehreren Backpropagation-Netzen gekoppelt sind, aufgearbeitet und zu einem Kennfeld verarbeitet werden. Weitere vorteilhafte Ausgestaltungen und Weiterbildungen sind in der nachfolgenden Zeichnung näher erläutert. Die dort dargestellten Ausführungen sind jedoch nicht be¬ schränkend auszulegen. Vielmehr sind die beschriebenen Merkmale allein oder in Zu- sammenstellung mit den oben beschriebenen Merkmalen zu weiteren Ausgestaltungen verknüpfbar. Es zeigen:
Fig. 1 ein Beispiel eines neuronalen Netzes,
Fig. 2 eine Parallelschaltung von Steuergeräten mit neuronalen Netzen, und
Fig. 3 eine Anwendung des neuronalen Netzes.
Fig. 1 zeigt ein Beispiel eines Aufbaus eines neuronalen Netzes, wie es vorzugsweise in einem Kraftfahrzeug-Steuergerät integriert vorliegt. Ursprungsdaten 1 werden vorzugs¬ weise angegeben, können aber auch generiert werden. Diese können über Sensoren dem Steuergerät zugeführt werden. Ursprungsdaten 1 weisen insbesondere einen Datensatz bestehend aus mehreren Messungen einer oder mehrerer Ausgangsgrößen eines Sys¬ tems und der zugehörigen Eingangsgrößen auf. Dieses Systemverhalten soll später durch ein neuronales Backpropagation-Netz approximiert werden. In einem vordefinierten Pro- zess 2 wird zunächst anhand dieser Ursprungsdaten ein RBF-Netz trainiert. Die Parame¬ ter des RBF-Modells liegen anschließend als Datensatz 3 vor. Zugleich wird in einem pa¬ rallel zu dem RBF-Training ablaufenden Prozess 4 der durch die Ursprungsdaten 1 be¬ schriebene Eingangsraum auf ausreichende Abdeckung hinsichtlich der zur Anregung des später zu trainierenden Backpropagation Netzes geprüft, und zusätzliche virtuelle Ein¬ gansdaten 5 werden bestimmt.
Diese virtuellen Eingangsdaten 5 werden unter Anwendung des Datensatzes 3 der RBF- Netzparameter im Prozess 6 benutzt, um einen virtuellen Systemausgang bzw. eine virtu- eile Systemantwort 7 zu erzeugen. Diese virtuelle Systemantwort 7 zusammen mit den virtuellen Eingangsdaten 5 ergeben das virtuelle Systemverhalten 8. Das virtuelle Sys¬ temverhalten 8 kombiniert mit den Ursprungsdaten 1 wiederum ergeben erweitere Trai¬ ningsdaten 9. Die erweiterten Trainingsdaten 9 werden zum Training des Backpropagati- on-Netzes 10 genutzt. Daraus ergibt sich ein Backpropagation-Netz-Modell 11 zur Be- rechnung der Systemantwort auf eine beliebige Kombination von Eingangsgrößen. Mit diesem Backpropagation-Netz-Modell 11 kann eine Steuergeräte-Implementierung 12 erfolgen. Über die Steuergeräte-Implementierung 12 erfolgt beispielsweise eine modell- basierte Regelung 13, z.B. einer Verbrennungskraftmaschine. Auf diese wie auch auf an¬ dere Art und Weise ist somit ein RBF-Netz einem Backpropagation-Netz vorgeschaltet. Dadurch kann insbesondere ein multidimensionales Aufsuchen und Interpolieren von Kennfeldpunkten durch eine kontinuierliche mathematische Approximation, d.h. durch den Ausgang eines MLP ersetzt werden. Die für das Training des MLP erforderliche ausrei¬ chende Anregung kann durch Ergänzen des Ausgangs- und Eingangsraumes mittels der virtuellen Eingabedaten und virtuellen Systemantwort erreicht werden.
Fig. 2 zeigt eine Ausgestaltung, bei der mehrere Steuergeräte 14, 15, 16 parallel zueinan¬ der über ein Bussystem 7 verschaltet sind. Diese Verschaltung erlaubt, dass ein neurona¬ les Netz nicht nur auf ein Steuergerät 4, sondern auf eine Mehrzahl von Steuergeräten 14, 15, 16 zurückgreifen und Rechenoperationen parallel ausführen kann. Auf diese Weise kann eine echtzeitbasierte Regelung unter Ausnutzung der vorhandenen Rechenkapazitä- ten eines Fahrzeuges verbessert werden. Hierbei können gleiche oder unterschiedliche, jedoch mit gleichartigen Komponenten ausgestaltete neuronale Netze miteinander gekop¬ pelt sein.
Fig. 3 zeigt in schematischer Ansicht einen möglichen Einsatz eines Verfahrens zur Er- Stellung von zumindest einem fahrzeugspezifischen Kennfeld bzw. einen Einsatz eines Fahrzeug-Steuergerätes mit einem neuronalen Netz, wie auch einen Einsatz eines Daten¬ trägers mit einem Programm zur Erstellung einer Simulation für ein Fahrzeug oder zum Aufspielen in ein Fahrzeug-Steuergerät. Das schematisch angedeutete Fahrzeug kann dabei für ein bewegbares Fahrzeug stehen, dass eingesetzt wird. Es kann aber auch für einen stationären Prüfstand stehen, insbesondere einen stationären Prüfstand oder Diag¬ nosestand. In einem Fahrzeug 18 sind ein Motorsteuergerät 19, ein eine Fahrzeuglage überwachendes Steuergerät 20 und ein einen Fahrzeugabstand überwachendes Steuer¬ gerät 21 dargestellt. Mit dem den Abstand überwachenden Steuergerät 21 wird beispiels¬ weise ein seitlicher Abstand zu benachbarten Fahrzeugen überwacht. Auch kann ein rückwärtiger oder vorwärtsgerichteter Abstand zu Fahrzeugen oder anderen Gegenstän¬ den darüber überwacht werden. Mit dem die Fahrzeuglage überwachenden Steuergerät 20 wird beispielsweise ein Antriebsstrang und/oder eine Gierwirkung und/oder ein Dreh¬ verhalten von Rädern 22 mitüberwacht und insbesondere geregelt. Das Motorsteuergerät 19 überwacht und regelt insbesondere eine Verbrennungskraftmaschine wie aber auch beispielsweise zugehörige Aggregate und Abgaskomponenten wie Filter oder Katalysator. Die Steuergeräte 20, 21, 22 sind vorzugsweise miteinander vernetzt und weisen jeweils zumindest ein neuronales Netz zumindest zur Überwachung, insbesondere aber zur Steuerung und/oder Regelung von Komponenten am Fahrzeug auf. Die für die jeweiligen Komponenten notwendigen Datensätze können beispielsweise mittels Versuch aufge¬ nommen und über einen Computer 23 generiert zu Kennfeldern aufgearbeitet sein. Diese Kennfelder können beispielsweise auf einem Datenträger 24 hinterlegt werden. Der Da¬ tenträger 24 kann beispielsweise eine CD-Rom, eine DVD, eine Diskette, eine Festplatte oder ein anders geartetes Speichermedium sein, wie beispielsweise ein Speicher-Chip. Der Datenträger 24 wird vorzugsweise mit einem weiteren schematisch dargestellten Fahrzeug-Steuergerät 25 in Verbindung gebracht, wobei die auf dem Datenträger vorhan- denen Daten wie auch ein oder mehrere Programme auf das Fahrzeug-Steuergerät 25 aufgespielt werden können. Auf diese Weise können neuartige neuronale Netze bei¬ spielsweise zur verbesserten Echtzeitberechnung insbesondere zur Regelung von Fahr¬ zeugkomponenten auch schon vorhandenen Fahrzeug-Steuergeräten nachträglich einge¬ bracht werden. Dieses geht natürlich auch durch Auswechseln eines entsprechenden Chipsatzes, der im Fahrzeug-Steuergerät untergebracht ist. Umgekehrt besteht wiederum ebenfalls die Möglichkeit, dass mit dem Fahrzeug 18 Testläufe durchgeführt werden, wo¬ bei über entsprechende Datenträger aufgenommene Daten über die Fahrzeug- Steuergeräte 19, 20, 21 gesammelt werden. Diese real gewonnenen Daten können über den Datenträger 24 gespeichert und über den Computer 23 weiter ausgewertet und mit zusätzlich virtuell gewonnenen Daten erweitert werden. Dieses kann insbesondere nach dem in Fig. 1 dargestellten Verfahren ausgeführt werden.
Gemäß einem weiteren Gedanken der Erfindung ergeben sich weitere Anwendungsmög¬ lichkeiten überall dort, wo auf Grundlage weniger Varianten ein geschlossener Zusam- menhang durch ein glattes "flaches" mathematisches Backpropagation-, insbesondere MLP-basiertes Modell dargestellt werden soll. Dabei kann das Verfahren der Kopplung von RBF und MLP gegebenenfalls auch losgelöst von der Implementierung in einem Steuergerät gesehen werden.
Beispiele hierfür sind in der Luftfahrindustrie eine Steuerung und Regelung von Strahlan¬ trieben, Fluglage und Klimatisierung, in der Verkehrstechnik eine Steuerung von Ampeln, Geschwindigkeitsbeschränkungen, Überholverboten, Dauerlichtzeichen zur Optimierung des Verkehrsflusses, in der Haus- und Klimatechnik beispielsweise eine adaptive Rege¬ lung von Hausheizungen, Brennern, solarthermischen Anlagen, in der metallverarbeiten- den Industrie beispielsweise eine Überwachung von Qualitätsmerkmalen im Produktions- prozess, z.B. Regelung von Schweißstrom und -Vorschub in der schweißtechnischen Verbindungstechnik und von Werkstoffeigenschaften von Legierungen, in der chemischen Industrie beispielsweise eine Optimierung von Rezepturen und eine Regelung von Mi¬ schungsabläufen und thermischen Zustandsgrößen in Reaktoren sowie von Materialflüs¬ sen bei veränderlichen Fließeigenschaften und in der Landwirtschaft beispielsweise eine Optimierung des Anbauergebnisses wie auch eine Regelung von Klimatisierung, Bewäs¬ serung und Düngung in Zuchtanlagen und Gewächshäusern.

Claims

Patentansprüche
1. Fahrzeug-Steuergerät mit einem neuronalen Netz, wobei ein oder mehrere Backpropagation-Netze mit einer oder mehreren Radial-Basis-Funktionen gekop- pelt sind.
2. Fahrzeug-Steuergerät nach Anspruch 1 , dadurch gekennzeichnet, dass das neu¬ ronale Netz die Radial-Basis-Funktion zum Training des Backpropagation-Netzes aufweist.
3. Fahrzeug-Steuergerät nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Radial-Basis-Funktion direkt mit dem Backpropagation-Netz gekoppelt ist.
4. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge- kennzeichnet, dass das Backpropagation-Netz zum Training einen Zugang von Daten ausschließlich von der Radial-Basis-Funktion aufweist.
5. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche 1 bis 3, da¬ durch gekennzeichnet, dass das Backpropagation-Netz zum Training einen Zu- gang von Daten von der Radial-Basis-Funktion und von Eingangsdaten der Radi¬ al-Basis-Funktion aufweist.
6. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge¬ kennzeichnet, dass das neuronale Netz in einem Echtzeit-System nutzbar ist.
7. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge¬ kennzeichnet, dass vorgesehen sind: zumindest bereits verfügbare Ein- und Ausgangsdaten, die als Lern¬ daten für ein Training zumindest eines Backpropagation-Netzes ein- setzbar sind, virtuell über zumindest ein RBF-Netz ermittelte Daten, die zwischen den Lerndaten und vorzugsweise außerhalb von den Lerndaten lie¬ gen, eine direkte Kopplung zwischen Backpropagation-Netz und RBF-Netz mit einer Übergabe zumindest der ermittelten virtuellen Daten vom zumindest einen RBF-Netz an zumindest ein Backpropagation-Netz.
8. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge¬ kennzeichnet, dass das Steuergerät ein Applikationssteuergerät, insbesondere ein Motorsteuergerät ist.
9. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge¬ kennzeichnet, dass das Steuergerät zumindest auf einen Ventiltrieb wirkt.
10. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge- kennzeichnet, dass das Steuergerät auf eine Kraftstoffeinspritzung wirkt.
11. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge¬ kennzeichnet, dass das Steuergerät auf ein Abgasverhalten wirkt.
12. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge¬ kennzeichnet, dass das Steuergerät eine Sicherheitseinrichtung steuert.
13. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge¬ kennzeichnet, dass das Steuergerät eine Fahrzeuglage steuert.
14. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge¬ kennzeichnet, dass mehrere Steuergeräte miteinander zum Datenaustausch und zur Berechnung von Kennfelddaten für das Fahrzeug verbunden sind.
15. Fahrzeug-Steuergerät nach Anspruch 14, dadurch gekennzeichnet, dass mehrere Steuergeräte parallel geschaltet sind.
16. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge¬ kennzeichnet, dass es Bestandteil eines stationären Prüfstandes ist.
17. Fahrzeug-Steuergerät nach einem der vorhergehenden Ansprüche, dadurch ge¬ kennzeichnet, dass es Bestandteil eines stationären Motorprüfstandes ist.
18. Verfahren zur Erstellung von zumindest einem fahrzeugspezifischen Kennfeld, wobei eine Mehrzahl an Eingangsdaten mittels eines neuronalen Netzes über ein oder mehrere Radial-Basis-Funktionen, die mit einem oder mehreren Backpropa- gation-Netzen gekoppelt sind, aufgearbeitet und zu einem Kennfeld verarbeitet werden.
19. Verfahren nach Anspruch 14, dadurch gekennzeichnet, dass die zumindest eine Radial-Basis-Funktion Daten aufbearbeitet und zum Training an das Backpropaga- tion-Netz weiterreicht.
20. Verfahren nach Anspruch 14 oder 15, dadurch gekennzeichnet, dass eine Simula¬ tion von Bedingungen für ein Fahrzeug durch Berechnung mittels des neuronalen Netzes erfolgt.
21. Verfahren nach einem der Ansprüche 13 bis 16, dadurch gekennzeichnet, dass es in einem Steuergerät vollzogen wird.
22. Verfahren nach einem der Ansprüche 13 bis 17, dadurch gekennzeichnet, dass es zur Diagnose von einem Zustand von zumindest einem Teil eines Fahrzeugs ver¬ wendet wird.
23. Datenträger mit einem Programm zur Erstellung einer Simulation für ein Fahrzeug mit den Merkmalen des Anspruches 14 oder zum Aufspielen in ein Fahrzeug- Steuergerät, insbesondere mit den Merkmalen des Anspruches 1.
24. Anwendung eines neuronalen Netzes mit den Merkmalen des Anspruches 14 zur Simulation von Daten für ein Fahrzeug oder zum Training von Daten für ein Fahr- zeug-Steuergerät mit den Merkmalen des Anspruches 1.
EP05754695A 2004-06-25 2005-06-24 Fahrzeug-steuergerät mit einem neuronalen netz Withdrawn EP1769151A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102004030782A DE102004030782A1 (de) 2004-06-25 2004-06-25 Fahrzeug-Steuergerät mit einem neuronalen Netz
PCT/EP2005/006830 WO2006000427A1 (de) 2004-06-25 2005-06-24 Fahrzeug-steuergerät mit einem neuronalen netz

Publications (1)

Publication Number Publication Date
EP1769151A1 true EP1769151A1 (de) 2007-04-04

Family

ID=34971080

Family Applications (1)

Application Number Title Priority Date Filing Date
EP05754695A Withdrawn EP1769151A1 (de) 2004-06-25 2005-06-24 Fahrzeug-steuergerät mit einem neuronalen netz

Country Status (6)

Country Link
US (1) US20070203616A1 (de)
EP (1) EP1769151A1 (de)
JP (1) JP2008505378A (de)
CN (1) CN1981123A (de)
DE (1) DE102004030782A1 (de)
WO (1) WO2006000427A1 (de)

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006008400B4 (de) * 2006-02-21 2015-06-03 Fev Gmbh Direkteinspritzende, fremdgezündete Verbrennungskraftmaschine mit SCR-Katalysator und Verfahren hierfür
JP2007257295A (ja) * 2006-03-23 2007-10-04 Toshiba Corp パターン認識方法
DE102006058566A1 (de) * 2006-12-12 2008-06-19 Siemens Ag Schwingungs- und geräuschminimierende Bremssteuerung
DE102007031530A1 (de) 2007-05-08 2008-11-13 Emitec Gesellschaft Für Emissionstechnologie Mbh Verfahren zum Bereitstellen von Reduktionsmittel zur selektiven katalytischen Reduktion von Stickoxiden und entsprechende Vorrichtung
DE102008057199A1 (de) 2008-11-13 2009-07-02 Daimler Ag Steuergeräteanordnung für ein Kraftfahrzeug
DE102009033097A1 (de) * 2009-07-15 2011-02-03 GM Global Technology Operations, Inc., Detroit Verfahren und Vorrichtung zur Ansteuerung zumindest einer Fahrzeugkomponente eines Fahrzeugs
CN102063109B (zh) * 2010-11-29 2012-09-05 株洲南车时代电气股份有限公司 一种基于神经网络的地铁列车故障诊断装置及其方法
CN102511411B (zh) * 2011-11-15 2014-05-21 河北省海洋与水产科学研究院 一种环保海水池塘生态养殖方法
WO2015157955A1 (en) * 2014-04-17 2015-10-22 Abbvie Inc. Heterocyclic btk inhibit ors
US9489620B2 (en) 2014-06-04 2016-11-08 Gm Global Technology Operations, Llc Quick analysis of residual stress and distortion in cast aluminum components
CN106401757B (zh) * 2015-07-28 2019-07-05 长城汽车股份有限公司 发动机的断缸模式实现方法、系统及车辆
CN108475346B (zh) * 2015-11-12 2022-04-19 谷歌有限责任公司 神经随机访问机器
CN108780521B (zh) * 2016-02-04 2023-05-26 渊慧科技有限公司 关联长短期记忆神经网络层
DE102016212097A1 (de) * 2016-07-04 2018-01-04 Volkswagen Ag Verfahren und Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs
DE102016216954A1 (de) * 2016-09-07 2018-03-08 Robert Bosch Gmbh Modellberechnungseinheit und Steuergerät zur Berechnung einer partiellen Ableitung eines RBF-Modells
DE102017215420A1 (de) * 2016-09-07 2018-03-08 Robert Bosch Gmbh Modellberechnungseinheit und Steuergerät zur Berechnung eines RBF-Modells
DE102016216951A1 (de) * 2016-09-07 2018-03-08 Robert Bosch Gmbh Modellberechnungseinheit und Steuergerät zur wahlweisen Berechnung eines RBF-Modells, eines Gauß-Prozess-Modells und eines MLP-Modells
US10657446B2 (en) * 2017-06-02 2020-05-19 Mitsubishi Electric Research Laboratories, Inc. Sparsity enforcing neural network
DE102017213247A1 (de) 2017-06-30 2019-01-03 Conti Temic Microelectronic Gmbh Wissenstransfer zwischen verschiedenen Deep-Learning Architekturen
DE102017009407A1 (de) 2017-10-10 2018-07-12 Daimler Ag Verfahren zum Betrieb eines Kraftfahrzeugs
DE102018100593A1 (de) * 2018-01-12 2019-07-18 Valeo Schalter Und Sensoren Gmbh Parkassistenzsystem mit entfernter Konfiguration eines lokalen neuronalen Netzes
CN110352297B (zh) * 2018-02-05 2020-09-15 丰田自动车株式会社 机器学习装置
JP6919997B2 (ja) * 2018-02-06 2021-08-18 株式会社日立製作所 制御装置、制御方法、および制御プログラム
JP6702380B2 (ja) * 2018-09-14 2020-06-03 トヨタ自動車株式会社 内燃機関の制御装置
AT522231B1 (de) * 2019-03-01 2022-11-15 Avl List Gmbh Verfahren und System zur Steuerung und/oder Regelung mindestens einer Abgasnachbehandlungskomponente
JP6798571B2 (ja) * 2019-03-08 2020-12-09 トヨタ自動車株式会社 モデル集約装置及びモデル集約システム
KR102165862B1 (ko) * 2019-07-23 2020-10-14 성균관대학교산학협력단 무선 센서 네트워크에서 노드 데이터 집합 방법 및 장치
DE102019220549A1 (de) * 2019-12-23 2021-06-24 Robert Bosch Gmbh Training von neuronalen Netzen durch ein neuronales Netz
KR102165878B1 (ko) * 2020-01-20 2020-10-14 주식회사 현대케피코 인공신경망을 이용한 차량 엔진 토크 추정 방법
US11459962B2 (en) * 2020-03-02 2022-10-04 Sparkcognitton, Inc. Electronic valve control
DE102020211421A1 (de) 2020-09-11 2022-03-17 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils
DE102020211419A1 (de) 2020-09-11 2022-03-17 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren
DE102020212946A1 (de) * 2020-10-14 2022-04-14 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Steuerung eines Drehmoments zumindest eines Rades
CN112651456B (zh) * 2020-12-31 2023-08-08 遵义师范学院 基于rbf神经网络的无人车控制方法
CN112733301B (zh) * 2021-01-21 2023-08-08 佛山科学技术学院 一种基于神经网络的六维力矩传感器重力补偿方法及系统
DE102021207655A1 (de) 2021-07-19 2023-01-19 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betreiben eines Kraftfahrzeugs mit einer Brennkraftmaschine
DE102022200286A1 (de) 2022-01-13 2023-07-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Trainieren eines Sensormodells für eine Change-Point-Detektion
DE102022200284A1 (de) 2022-01-13 2023-07-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Bereitstellen und Auswerten eines Sensormodells für eine Change-Point-Detektion
CN115526075B (zh) * 2022-09-28 2025-07-25 郑州轻工业大学 基于数据驱动和非线性模型的汽车油箱剩余油量预测方法
DE102022212844A1 (de) 2022-11-30 2024-06-06 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Beurteilen eines Fahrzeugbetriebs eines Fahrzeugs und Steuereinrichtung zum Steuern eines Fahrzeugbetriebs eines Fahrzeugs
DE102023201378A1 (de) 2023-02-17 2024-08-22 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Beurteilen eines Fahrzeugbetriebs eines Fahrzeugs und Steuereinrichtung zum Steuern eines Fahrzeugbetriebs eines Fahrzeugs

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5539638A (en) * 1993-08-05 1996-07-23 Pavilion Technologies, Inc. Virtual emissions monitor for automobile
US6553130B1 (en) * 1993-08-11 2003-04-22 Jerome H. Lemelson Motor vehicle warning and control system and method
GB2283320B (en) * 1993-10-04 1997-12-10 Ford Motor Co Diagnostic technique for exhaust gas oxygen sensor operation
US5574387A (en) * 1994-06-30 1996-11-12 Siemens Corporate Research, Inc. Radial basis function neural network autoassociator and method for induction motor monitoring
DE19527323A1 (de) * 1995-07-26 1997-01-30 Siemens Ag Schaltungsanordnung zum Steuern einer Einrichtung in einem Kraftfahrzeug
DE19832967C1 (de) * 1998-07-22 2000-04-20 Siemens Ag Verfahren zur rechnergestützten Ermittlung einer Ausgangsgröße, Verfahren zum rechnergestützten Training eines neuronalen Netzes, Anordnung zur rechnergestützten Ermittlung einer Ausgangsgröße und Anordnung zum rechnergestützten Training eines neuronalen Netzes sowie deren jeweilige Verwendung
US7308322B1 (en) * 1998-09-29 2007-12-11 Rockwell Automation Technologies, Inc. Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis
DE10003739C2 (de) * 2000-01-28 2002-12-05 Daimler Chrysler Ag Verfahren und System zur Identifikation von Systemparametern in Fahrzeugen
DE10010681A1 (de) * 2000-03-04 2001-09-06 Heinz J Theuerkauf Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte
EP1302356B1 (de) * 2001-10-15 2006-08-02 Ford Global Technologies, LLC. Verfahren und Einrichtung zur Steuerung eines Fahrzeuges
US7031530B2 (en) * 2001-11-27 2006-04-18 Lockheed Martin Corporation Compound classifier for pattern recognition applications
US7035834B2 (en) * 2002-05-15 2006-04-25 Caterpillar Inc. Engine control system using a cascaded neural network

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2006000427A1 *

Also Published As

Publication number Publication date
WO2006000427A1 (de) 2006-01-05
JP2008505378A (ja) 2008-02-21
DE102004030782A1 (de) 2006-01-19
CN1981123A (zh) 2007-06-13
US20070203616A1 (en) 2007-08-30

Similar Documents

Publication Publication Date Title
EP1769151A1 (de) Fahrzeug-steuergerät mit einem neuronalen netz
AT518850B1 (de) Verfahren zur simulationsbasierten Analyse eines Kraftfahrzeugs
DE102020007952A1 (de) System und verfahren zur vorhersage eines fahrzeugmotordrehmoments unter verwendung eines künstlichen neuronalen netzes
DE4440859C2 (de) Verfahren und Vorrichtung zum Steuern eines autonom explorierenden Roboters
DE112008000618T5 (de) Verfahren und Vorrichtung zum Schätzen einer Abgastemperatur eines Verbrennungsmotors
EP3929421A1 (de) Verfahren zum betreiben einer brennkraftmaschine, steuergerät und brennkraftmaschine
DE102005014735A1 (de) Multivariable Aktorsteuerung für eine Brennkraftmaschine
DE112011105516T5 (de) Sliding-Mode-Steuerung und Steuerungseinrichtung eines internen Verbrennungsmaschinensystems
DE102014101396A1 (de) Turboladerstrom-Steuerung
DE102007039691A1 (de) Modellierungsverfahren und Steuergerät für einen Verbrennungsmotor
WO2019153026A1 (de) Verfahren und system zur analyse wenigstens einer einrichtung einer einheit, welche eine mehrzahl an verschiedenen einrichtungen aufweist
DE102019127482A1 (de) Steuereinrichtung
WO2013131836A2 (de) Verfahren zur emissionsoptimierung von verbrennungskraftmaschinen
AT522231B1 (de) Verfahren und System zur Steuerung und/oder Regelung mindestens einer Abgasnachbehandlungskomponente
DE102004023450A1 (de) Verfahren und Vorrichtung zum Diagnostizieren eines Einlassluftstromes
DE102014000397A1 (de) Modellbasierte Zylinderfüllungserfassung für eine Brennkraftmaschine
DE102018210739A1 (de) Verfahren zur Regelung einer Füllung eines Abgaskomponentenspeichers eines Katalysators im Abgas eines Verbrennungsmotors
DE102020216145A1 (de) Verfahren zum Schätzen einer Rußmasse und Steuereinrichtung
AT522290B1 (de) Verfahren und Regelungseinheit zur Regelung eines nichtlinearen technischen Prozesses
EP3979009A1 (de) Erzeugen eines vereinfachten modells für xil-systeme
EP4111382A1 (de) Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung
DE102007008514A1 (de) Verfahren und Vorrichtung zur neuronalen Steuerung und/oder Regelung
DE202024100094U1 (de) System zur Steuerung von emissionsbeeinflussenden Stelleinrichtungen in Verbrennungskraftmaschinen
WO2022161729A1 (de) Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung
DE102019131722B3 (de) Verfahren zur Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20061221

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LI LT LU MC NL PL PT RO SE SI SK TR

DAX Request for extension of the european patent (deleted)
17Q First examination report despatched

Effective date: 20090129

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20110104