WO2018177526A1 - Robustheitsanalyse bei fahrzeugen - Google Patents

Robustheitsanalyse bei fahrzeugen Download PDF

Info

Publication number
WO2018177526A1
WO2018177526A1 PCT/EP2017/057555 EP2017057555W WO2018177526A1 WO 2018177526 A1 WO2018177526 A1 WO 2018177526A1 EP 2017057555 W EP2017057555 W EP 2017057555W WO 2018177526 A1 WO2018177526 A1 WO 2018177526A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
configurations
vehicles
robustness
component
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.)
Ceased
Application number
PCT/EP2017/057555
Other languages
English (en)
French (fr)
Inventor
Martin PIFFL
Martin Schüssler
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.)
AVL List GmbH
Original Assignee
AVL List GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by AVL List GmbH filed Critical AVL List GmbH
Priority to PCT/EP2017/057555 priority Critical patent/WO2018177526A1/de
Publication of WO2018177526A1 publication Critical patent/WO2018177526A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the invention relates to a method for analyzing a robustness of at least one vehicle of a vehicle class, which has a multiplicity of components, and to a method for analyzing a robustness of a vehicle class whose vehicles have a large number of components. Moreover, the invention relates to corresponding robustness analysis systems.
  • Quality is one of the most important factors in deciding between competitor products. Therefore, understanding the impact on quality and influencing quality in the right way is critical to the business success of a product and therefore a business.
  • Another example of quality is the probability of failure of individual components or components of the vehicle. This probability of default has a direct impact on the total cost of ownership of a vehicle, which is very important to the end user. Also in this regard, the entire vehicle fleet of a vehicle type should not exceed a predetermined value.
  • the calibration of a vehicle concept is performed on one or a few vehicles or powertrains to verify the desired performance and emission characteristics. Variations in the vehicle fleet are taken into account by experience-based development goals or by testing at minimum or maximum conditions. In general, some characteristics of components are individually set to their lower and upper limits with respect to the vehicle fleet. For example, the best possible turbocharger or the worst possible turbocharger can be assumed here and then the system can be validated. This minimal / maximal approach however, can not account for two or more factorial interactions or the impact on the overall vehicle fleet.
  • the variations within a vehicle fleet can be modeled mathematically by a large number of correlated or uncorrelated random variables. These random variables are subsequently grouped together into a random vector whose multidimensional distribution must be taken into account in the development of a vehicle or powertrain. Each realization or sample from this multi-dimensional distribution then corresponds to a single vehicle or a single drive train with certain production tolerances, certain measurement tolerances and a specific aging history, which is operated under certain conditions.
  • a set of realizations or samples of the random vector is then called representative of the underlying distribution, if the empirical distribution properties, in particular the empirical quantiles, with the theoretical distribution properties, in particular the theoretical distribution Quantile, agree sufficiently precisely. Unless the theoretical distribution is known, a set of implementations is considered representative if any number of additional implementations do not significantly alter the properties of the empirical distribution.
  • EP 3 038 026 A1 relates to a system having a communication device configured to provide a scheduled flight schedule that includes flight details relating to each flight of the scheduled flight schedule, and a current flight plan that includes flight details relating to each flight of the current flight schedule.
  • a robustness analysis module including a simulation-based model to receive the scheduled flight schedule and the current flight schedule and check its robustness, a memory to store program instructions, and at least one processor coupled to the memory and to the The robustness analysis module communicates, wherein the at least one processor is configured to execute program instructions. It is an object of the invention to enable an analysis of the robustness of at least one vehicle of a vehicle genus or of the entire vehicle genus. In particular, it is an object of the invention to accelerate a simulation-based robustness analysis for a vehicle having a plurality of components.
  • a first aspect of the invention relates to a method for analyzing a robustness of at least one vehicle of a vehicle type, which has a multiplicity of components, having the following working steps:
  • a value of a target relative to the robustness of the at least one vehicle by means of a transformation model having an assignment rule to the configurations of the at least one vehicle and the target, the transformation model being based on a compensation calculation for simulation results based on a performance simulation; in particular, a time-resolved cycle simulation, a plurality of vehicles of the vehicle genus, each with different configurations by means of a vehicle model of the vehicle genus result;
  • a second aspect of the invention relates to a method for analyzing a robustness of a vehicle type whose vehicles have a multiplicity of components, having the following working steps:
  • the transformation model based on a balancing calculation, the transformation model having an allocation rule between the configuration and at least one target size, the transformation model configured to output a value of a target size related to the robustness of the vehicle genre based on configurations of the vehicle genre.
  • a compensation calculation in the sense of the invention is a regression process or a pattern recognition process or / and a combination of both in the sense of statistical teaching.
  • a transformation model according to the invention establishes a relationship between the configurations of the individual vehicle, the group of vehicles or the vehicle type and a target variable or a group of target variables.
  • the transformation model is not time resolved. More preferably, the transformation model itself is based, however, preferably on a time-resolved simulation of the operation of a plurality of vehicles.
  • a performance simulation in the sense of the invention is a time-resolved simulation of the operating behavior of a vehicle, drive train or engine. Preferably, it is a cycle simulation. In this case, a specific driving cycle or a selection of driving cycles of the vehicle of the vehicle type representative of a cycle distribution is preferably used.
  • the operating behavior preferably comprises at least one of the variables rotational speed, torque or accelerator pedal position. Additionally or alternatively, the variables speed of the vehicle and / or gear selection can be used.
  • a target in the sense of the invention is a variable to be analyzed, which preferably depends on the configuration and the operating behavior.
  • Robustness in the sense of the invention is the ability of a vehicle and / or its components to function reliably taking into account variations of various factors. Examples of such factors are production tolerances, measurement tolerances, different usage, aging, environmental conditions, etc.
  • a type of vehicle within the meaning of the invention is a multiplicity of vehicles which have at least substantially components of the same type. Preferably, at least those components of the vehicle genus of the same type, for which a robustness analysis is to be performed.
  • a type of vehicle may in particular be the entire vehicle fleet of a vehicle type of a manufacturer.
  • An attempt in the sense of the invention is a test run of a real or virtual technical device with a specific configuration and a specific operating behavior over a fixed time. The experiment is preferably carried out by means of a performance simulation.
  • a component in the sense of the invention is a component or an assembly of a vehicle.
  • a vehicle according to the invention is any type of land, water, air or spacecraft, in particular a motor vehicle.
  • Detecting in the sense of the invention is a reading in of information for further processing.
  • the information is provided thereby, in particular via a data interface, the method according to the invention or the system according to the invention.
  • Output according to the invention is a provision.
  • the provision preferably takes place via a data interface.
  • a user interface for example a screen.
  • a configuration in the sense of the invention corresponds to a point in a test room, which is defined by those properties which determine the robustness of the vehicle type.
  • the invention is based on the finding that a functional relationship can be found between the variation of fluctuation ranges of properties of vehicles, in particular their components, and target variables with regard to the robustness.
  • the invention is based on the approach of evaluating failure statistics of a vehicle fleet in the field, to replace attempts on a (continuous) test bench or time-resolved experiments on a virtual test stand for robustness by an empirical model.
  • the use of the invention in the robustness analysis allows the robustness of a vehicle, a group of vehicles or a whole To analyze vehicle genus without having the components of the vehicle or the vehicle itself as a physical DUT available.
  • the entire robustness analysis can be carried out mathematically by means of the transformation model.
  • the invention therefore, a significant acceleration of the computer-aided simulation analysis is achieved. Simulation times of several months can be reduced in this way to a few hours or minutes. So far, it often has been necessary to dispense with a computer-aided robustness analysis in an early developmental stage of a vehicle or a vehicle component on which there was no prototype yet, the robustness analysis with the method according to the invention can already be carried out in the presence of a vehicle model for a vehicle genre. Furthermore, the invention enables a root cause analysis with respect to the robustness of the vehicle genus. Thus, for example, the fluctuation ranges of the individual properties of the analyzed configurations and thus the respective distributions can be continuously changed and the corresponding effects on the robustness can be directly observed. In this way, areas of the test room, which are of high relevance for robustness, can be easily identified and examined.
  • a method according to the invention also has the following working step:
  • the basic configurations are characterized by using the at least one component and / or the at least one vehicle, in particular by characteristic driving cycles and / or by at least one ambient condition under which use takes place, as further properties.
  • this embodiment allows the entire vehicle genre to be examined for the influence of external environmental conditions on the components; on the other hand, a single vehicle can also be used determined deterministic tolerances on the influence of external conditions.
  • the use is characterized by load characteristics and dynamic characteristics.
  • Load characteristics and dynamic characteristics have proven to be particularly suitable for the differentiation of different characteristic driving cycles.
  • this furthermore has the following working steps:
  • the representative selection of the possible configurations of the further characteristics may be combined with the representative selection of vehicles of the vehicle genus, such that a representative selection with respect to the distribution of the characteristics of the components of the vehicle and the further characteristics arises.
  • the representative selection is based on a random experiment or several random experiments, in particular a Monte Carlo simulation.
  • a plurality of properties of a multiplicity of components is detected for a configuration, and the transformation model is suitable for determining one or a few target value values with respect to the at least one vehicle from these configurations. According to the invention, therefore, a multidimensional distribution can be mapped to a one-dimensional target size.
  • the simulation or the simulation is based on a selection of configurations, which is selected by means of statistical experimental design within limits of a first distribution of all possible configurations.
  • the representative selection is selected within limits of a second distribution.
  • the transformation model is suitable for imaging any distribution in which the fluctuation ranges of the properties lie within the fluctuation ranges which were predetermined in the first distribution.
  • the dimension of the first and / or the second distribution is equal to the number of properties which is taken into account in the configurations.
  • the target variable is at least one of the following group of target variables: emissions of the vehicle, in particular pollutant emissions in the field, an error message and / or an error entry in the control unit, a repair message, a warning light, a safety message to a vehicle component, in particular a chassis component, a powertrain component, a driver assistance system or a servo drive.
  • a target variable can also be a damage event and / or a Load collective, in particular one or more potential harmful input variables for a component and / or their subcomponents, be.
  • an adaptation of measurement and / or production tolerances in a learning phase, or the final loading of a catalyst at the end of a preconditioning phase may be an objective.
  • the at least one property of at least one component of the vehicle is selected from the following group: a constructive property of the at least one component, calibration of control of the at least one component, measurement tolerances of the component, production tolerances of the component Aging of the at least one component and / or the at least one vehicle.
  • the at least one property is indicated by a parametric / non-parametric probability distribution.
  • the measurement and production tolerances are given as a parametric distribution and the usage is given as a non-parametric probability distribution.
  • a third aspect of the invention relates to a system for analyzing a robustness of at least one vehicle of a vehicle type, which has a multiplicity of components, having the following working steps: Means for detecting configurations of the at least one vehicle characterized by at least one characteristic of at least one component of the vehicle;
  • a fourth aspect of the invention relates to a system for analyzing a robustness of a vehicle of a vehicle type, which has a multiplicity of components, comprising the following working steps:
  • FM vehicle model
  • a means in the sense of the present invention may be designed as a hardware and / or software, in particular a data or signal-connected, preferably digital, processing, in particular microprocessor unit (CPU) and / or bus system. or one or more programs or program modules.
  • the CPU may be configured to execute instructions implemented as a program stored in a memory system, to capture input signals from a data bus, and / or to provide output signals to a data bus.
  • a storage system may comprise one or more, in particular different, storage media, in particular optical, magnetic, solid state and / or other non-volatile media.
  • the program may be arranged to embody or perform the methods described herein that the CPU may perform the steps of such methods and, in particular, may determine a value of a target relative to the robustness of at least one vehicle of a vehicle genre.
  • FIG. 1 shows a flow chart of a method according to the invention according to the first aspect of the invention
  • FIG. 2 is a flowchart relating to creation of various ones.
  • Fig. 3 is an illustration for illustrating a derivation of a
  • FIG. 4 is an illustration of an edge distribution with respect to a use of a vehicle genre
  • Fig. 5 is an illustration of an edge distribution with respect to
  • Fig. 6 is a flowchart for illustrating an inventive
  • Method according to the second aspect of the invention; 7 is a graphic representation of a possible result of the methods according to the invention; a further graphical representation of a possible result of the inventive method; and a further graphical representation of a possible result of the method according to the invention.
  • income is made on work assumptions. These preferably include:
  • engine and / or EAS preconditioning measures e.g., warm-up, NH3 loading, ...
  • Usage modeling by one or more given cycles or by an existing usage distribution depending on load and dynamics An example of such a usage distribution is shown in FIG. In this case, preferably a so-called “depth-outlyingness-quantile-rank paradigm" is used to select realizations or samples from this distribution)
  • the modeling structure is defined. These preferably include:
  • FIG. 3a An example of the factor variability of a NOx sensor is shown in FIG. 3a
  • o offset errors e.g., hardware dimensions, sensor errors
  • a given parameter or signal in the model is preempted with a constant value
  • o factor error e.g., actuator functionalities, sensor errors
  • nonlinearity errors e.g., dependent functionalities, sensor errors
  • a non-linear error refers to a function between the specification limits USL, LSL for a particular motor (a performance simulation) for which it is kept constant. An example of this is shown in FIG. 3b
  • edge distributions F 1 ,..., F k result respectively. These are preferably combined in an overall distribution F 1 * '* k . This overall distribution spans a trial space X k .
  • a screening process is performed on the total distribution F 1 * '* k .
  • the screening procedure serves to validate the validity of the simulation environment at the boundaries of the experimental space X k . High variability areas can be identified for efficient space-filling design. In this case, the screening data will be used to create a room-filling design.
  • a first overview of which factor is significant for which system response or target size can be obtained.
  • the screening method can be used to save long-lived preconditioning and learning phases of components of the vehicle and thus reduce the tolerance ranges of the properties of the components. Because based on the data obtained in the screening process, second-order regression models can be created for the dependencies of target variables, based on which a change in the tolerances during the learning phase of a control of a component or a loading of a component as target variables Catalyst during a conditioning phase can be predicted.
  • the screening design should be able to examine all factors at the three levels “nominal,””LSL,” and "USL.”
  • the screening method of Jones and Dann, Journal of Quality Technology, Vol , pp. 1 -15, 201 1 are used.
  • the significance of individual factors can be examined by a t-test test procedure. This study preferably incorporates linear dependencies, quadratic dependencies, and interaction effects between two factors, and more preferably, examines the power of each test (ie, the probability of false statements).
  • a space-filling experimental design for the total distribution F 1 * * k in the test room X k is performed. This is necessary because data obtained by the screening method is generally insufficient to adequately represent the dependencies between the characteristics or configurations of a vehicle genre and the targets in a transformation model TM for the entire experimental space X k .
  • Samples or realizations are required for the performance simulation especially in those regions of the experimental space X k , in which the dependencies to be examined have a high variability.
  • the performance of the performance simulation 203 is divided into several simulation sections for this purpose:
  • simulation section 1 the screening results are used so as to create a space-filling design for the experimental space X k , which sets more samples in regions with high variability of the target sizes.
  • the performance simulation is carried out for the samples or implementations defined in this way.
  • simulation section 2 the results of the in simulation section 1 are used to determine which regions of the experimental space X k are not are satisfactorily investigated, ie the data of the target size show serious gaps, so that more data is required.
  • the simulation section 2 can be repeated as often as required until all dependencies have been satisfactorily investigated.
  • one or more transformation models TM are generated 204, preferably for each observed target variable.
  • the respective transformation model TM is valid only within the examined tolerance limits.
  • the transformation models TM are preferably based on regression and pattern recognition approaches, in particular multi-layer perceptrons, i. neural networks, created.
  • training algorithms that can be used for these neural networks are included as part of the "Neural Networks Toolbox" offered by Mathworks ⁇ , and the performance of the transformation models TM is assessed by dedicated performance behavior simulation data, which is preferably considered sufficient if the coefficient of determination R 2 is greater than 0.6 with respect to all data.
  • a Monte Carlo simulation is carried out to generate random values, in particular with regard to configurations.
  • the biggest challenge here is the "complete” integration a given uncertainty in the robustness analysis. "Complete” means that the included variability is examined representatively.
  • Such a series of random samples or realizations can be generated from the original distribution F 1 * * k by means of the Monte Carlo simulation 101. These samples or implementations are entered 102 into the transformation model (s).
  • the distribution of the respectively desired target variable can be calculated by means of the transformation model or models TM, 103, 205.
  • the samples can be processed immediately and therefore the distribution of the target size can be calculated immediately without long simulation times.
  • the transformation models TM according to the invention have the advantage that other total distributions F ' 1 * "* k , F" 1 * "* k within the test room X k can be analyzed immediately without having to perform further time-resolved performance simulations ,
  • the significance of the variation of individual properties can be examined by restricting their variability to sub-intervals.
  • the resulting new total distribution F ' 1 * "* k , F" 1 * "* k can be determined by means of the at least one transformation model TM, which was derived for the original overall distribution F 1 *""* k , and a renewed Monte Carlo - Simulation for the new overall distribution will be examined.
  • the target quantities can again be determined for the new total distribution F ' 1 * "* k , F" 1 * "* k and then the difference obtained in comparison to the original total distribution F 1 *""* k can be measured.
  • This difference is expressed without limiting the generality of the results for the vehicle or the vehicle type in a change in the probability for a given event.
  • the objective of the robustness analysis could be to assess the product compliance (CoP) failure probability for a high-performance on-road application ("on-road heavy-duty engine”).
  • CoP product compliance
  • the Product Compliance Testing Procedure is a random sampling test that successively tests engines in the production line for emission compliance. Starting with three engines, the test method evaluates the test statistics based on the legally regulated pollutants. Depending on the result of the test statistics, the product conformity check passed, failed or an additional motor is taken from the production line.
  • Probability distributions obtained may be based on pass, fail or expected number of engines for which the product compliance test must be tested.
  • Figures 8 and 9 show the probability distributions of product conformity testing for high NOx sensors ( Figure 9) and lower Quality (FIG. 8), which can be determined by means of the methods 100, 200 according to the invention.
  • Another example of the use of the teaching of the invention is the question of how to change a tolerance with respect to a property in order to obtain a satisfactory probability distribution of the target size.
  • Another example is the assessment of the aging of the components with respect to a given tolerance.
  • the probability distribution of the target variable could, for example, relate to temperature peaks which considerably influence the aging process of a component.
  • this probability distribution could be interpreted in terms of expected repair and warranty costs.
  • the methods 100, 200 according to the invention preferably relate to partial aspects of the determination of the robustness of a vehicle genre described above.
  • preferred embodiments of the inventive method 100, 200 are explained in detail, in particular with reference to Figures 1, 2 and 6.
  • FIG. 1 shows a flow chart of an embodiment of a method 100 for analyzing a robustness of at least one vehicle of a vehicle genus.
  • FIGS. 3 to 5 Such edge distributions F 1 ,..., F k with respect to individual aspects of the variations of a vehicle are shown in FIGS. 3 to 5.
  • FIG. 3a here represents a fluctuation with respect to production tolerances or measurement tolerances of a component of a vehicle which is generally subject to a parametric distribution, in particular a normal distribution.
  • the production tolerances are characterized by an upper and lower specification limit (LSL or L, Upper Specification Limit - USL or U), which is generally +/- 4 o, ie four times the standard deviation. This means that with 100,000 random samples you can expect 6 pieces to be outside these limits.
  • Sensors generally speak of measurement tolerances, which are caused for example by an offset and / or a gain and / or a non-linearity error. This definition corresponds to ISO standard 1 1462.
  • FIG. 3a Such an edge distribution with specification of the lower specification limit LSL and the upper specification limit USL is shown in FIG. 3a.
  • a typical specification of the measurement tolerances of a NO x sensor is as follows: - At a concentration of NO x ⁇ 100 ppm, the tolerance range is +/- 10 ppm at +/- 3 o;
  • the tolerance range is +/- 10% at +/- 3 o.
  • an error of the output signal can be derived, as shown in Fig. 3b.
  • the respective exemplary random samples from FIG. 1 a cause, as indicated by the two curved arrows, the respective error curves as a function of the NO x concentrations in the exhaust gas.
  • aging may be correlated with production tolerances and usage variability.
  • separate aging models are preferably created. This includes the setting of input variables of the aging model, eg. b. a mileage. In the performance simulation, the individual models of the components must then be corrected based on the aging model (s).
  • FIG. 4 illustrates a distribution in terms of usage variations of vehicles of a vehicle genre.
  • such a distribution is made on the basis of raw data collected on existing vehicles in the field.
  • the raw data can hereby be recorded on vehicles which do not belong to the same vehicle type as those with respect to which a robustness analysis is subsequently carried out.
  • Preferably, for a collection of raw data several hundred to several thousand Evaluated rides.
  • the vehicle speed, a covered mileage, the engine speed, a torque, an accelerator pedal position, a brake signal, a clutch signal, a clutch position, a height, an ambient temperature and an ambient humidity are taken into account.
  • a distribution is generated from these data, which relates to the distribution density of individual driven cycles with respect to the load and the driving dynamics, as shown in Fig. 4.
  • regions are bounded by the three lines, in which 99.99% or 99.73% or 95% of the driven cycles are contained.
  • a 17 hour reference cycle is determined. Significant areas are identified in the density distribution, which are designated by S in FIG. 4, in which malfunctions of the components of the vehicles, in particular of the engine, occur more frequently.
  • the reference cycle is preferably shortened to these significant ranges, leaving a shortened reference cycle R of about 30 minutes. This shortened cycle is assumed to represent the operating conditions under which all vehicles of the vehicle type are operated. Alternatively, however, it may also be provided that the vehicles of the vehicle type are also differentiated with regard to different driving cycles.
  • Fig. 5 illustrates an edge distribution for the variability of environmental conditions, in the illustrated case air density, temperature and absolute humidity, under which the vehicles of the vehicle type are operated. These data can also be derived from the raw data obtained in the field.
  • the risk of a faulty activation of 24 error codes or error messages of a vehicle is examined. Due to the various components of the vehicle involved in the determination of such error codes, in particular the sensors, the production and measuring tolerances 38 result in random variables, ie 38 dimensions.
  • the use of vehicles of the vehicle category is taken into account by a representative driving cycle. If larger fluctuations occur during use, a random variable can also be provided here. Finally, in the example, the environmental conditions are also taken into account by a random variable, in particular a two-dimensional random vector.
  • FIG. 2 A graphical representation of an overall distribution, reduced to three dimensions for better representability, is shown in FIG. 2 as a distribution curve F 1 * * k , which is spanned in the experimental space X k .
  • Each realization or sample from the total distribution F 1 * * K corresponds to a vehicle of the vehicle type with a specific configuration.
  • a configuration is determined, for example, by the properties of the components of the respective vehicle, in particular their specific production and / or measurement tolerances, use of the components of the vehicle or the vehicle itself, in particular in the form of a specific characteristic driving cycle, certain environmental conditions under which Vehicle was operated, as well as a certain aging structure of the components of the vehicle or the vehicle itself.
  • a group of vehicles is selected in operation 101 a, 101 b, which preferably is a representative one Selection of samples from the respective total distribution F 1 * * k , F ' 1 * "* K , F" 1 * * k represents.
  • individual vehicles can also be analyzed with the invention.
  • all available variables of properties with respect to the components of the vehicle are determined deterministically.
  • a single vehicle is defined with very specific production tolerances and / or measurement tolerances, which is operated, for example, taking into account a distribution of ambient conditions or is also operated taking into account a distribution of driving cycles.
  • a vehicle with quite specific characteristics of the components but variable characteristics of use of this vehicle is considered.
  • a detailed root cause analysis with regard to the robustness can be carried out.
  • one variable at a time can be varied with respect to one property, while all other variables are captured and the effects on the target in terms of robustness are analyzed.
  • design validation plans can be supported by identifying critical areas of application.
  • a representative selection from the respective overall distribution p 1 * * k , F ' 1 * "* k , F" 1 * "* k can be created by a random experiment, in particular a Monte Carlo simulation preferably so many random samples are required until the properties of the theoretical distribution, in particular the theoretical quantiles, coincide with the properties of the empirical distribution resulting in the random experiment, in particular the empirical quantiles.
  • the respective representative selection is, as shown in FIG. 1, supplied in a further working step 102 to a transformation model TM.
  • the transformation model TM has an assignment rule, in particular a function or a table, which establishes a connection between the configurations of the individual vehicle, the group of vehicles or the vehicle type and a target variable or a group of target variables.
  • This target variable is preferably suitable for characterizing or expressing the robustness of the vehicle, the group of vehicles or the entire vehicle type.
  • the results indicate a probability with which a certain event or events occur. This can be, for example, the undesired occurrence of an error code or an error message, or with what probability an emission limit is exceeded or complied with.
  • any type of target variable with respect to the vehicle can be analyzed with respect to its robustness.
  • combinations of occurrence probabilities with respect to two or more target variables can also be analyzed.
  • the value of the target size determined in operation 103 is therefore a probability value.
  • the value of the target size is finally output in step 104 as shown in FIG.
  • An output can be made both via a display and by providing it at a data interface.
  • a probability of default and a non-default probability are output.
  • the inventive method 100 for analyzing a robustness of at least one vehicle of a vehicle genus is preferably carried out by a corresponding system 10.
  • This system 10 preferably has means or modules, which software can be implemented technically or hardware-technically.
  • a system 10 comprises means 1 1 for detecting configurations of the at least one vehicle, means 12 for determining a value of a target relative to the robustness of the at least one vehicle by means of the transformation model TM, and an interface 13 for outputting the determined one Value on.
  • making a representative selection of configurations that are captured may preferably be performed by other means of the system 10.
  • FIG. 7 shows a further result which can be output by method 100 according to the invention in operation 104.
  • a transformation model TM according to the invention has a multiplicity of assignment specifications which correspond to the configurations, which assign to a vehicle, a group of vehicles of a vehicle genus or the entire vehicle genus a target size in terms of robustness, in the present case a probability.
  • the transformation model TM which is used in the method 100, 200 according to the invention, is preferably based on a performance simulation of a large number of vehicles of the vehicle type.
  • the operating behavior simulation is preferably carried out by means of a vehicle model FM, which simulates the operating behavior of each vehicle of the vehicle type.
  • the vehicle model FM which maps the powertrain of the vehicles of the vehicle genus or the entire vehicle or another assembly, is preferably operated on a virtual test bench, which performs a so-called hardware in the loop (HiL) simulation.
  • HiL hardware in the loop
  • Further possibilities for generating measurement data or simulated measurement data from a performance simulation, on the basis of which the transformation model TM can be formed are software in the loop (SiL), model in the loop (MiL), test on a component test bench, on an engine test bench, on a vehicle roll, on a real vehicle, on a powertrain test stand, or an evaluation of combined possibilities for performance simulation, in particular big data.
  • the virtual test bench is shown in FIG. 6 by a computer 20. On this a method for analyzing a robustness of a vehicle genus 200 may preferably be performed.
  • a performance of vehicles of the vehicle type is preferably simulated.
  • the aim of this performance simulation is to produce dependencies between different configurations of the vehicle genus and the target variables, which characterize a robustness of a component of the vehicle genus or vehicles of the vehicle genus, thus empirically developing the ZuOrdstedsvorschriften between the configurations and the target variables. From this, the transformation model TM can be derived in a next step.
  • the ZuOrdnungsvorschriften to be identified preferably cover the entire test room X k .
  • step 201 In order not to have to measure the entire test space X k , that is to say each individual operating point of the test room X k or at least perform a raster measurement of the test room X k , it is preferably provided within the limits of the possible variations of the properties of the total distribution F 1 * * k apply a Design of Experiments (DOE) in step 201.
  • DOE Design of Experiments
  • a sensitivity screening is carried out in a simulation section 1, each property being tested at three points of the test room X k is examined to get a first impression of the behavior of the individual properties on the target sizes.
  • the ZuOrdnungsvorschriften f (X k ) can ultimately be determined by a regression in step 204.
  • statistical regression methods are used for the regression.
  • the empirically determined ZuOrdnungsvorschriften can finally be assembled into an empirical transformation model TM, which, if this is applied in step 205, is suitable for outputting a target value with respect to the robustness of the vehicle fleet in step 206a.
  • the transformation model itself can also be output in step 206b.
  • the transformation model TM determined on the basis of the total distribution F 1 * "* k is suitable for examining other, second, total distributions F ' 1 *" * k , F 1 * * k with respect to the same type of vehicle.
  • the fluctuation ranges of the properties of these other total distributions F ' 1 * "* k , F 1 *""* k are within the ranges of fluctuation given in relation to the first distribution (F 1 * - * ).
  • the computer or other system 20 includes means or modules that are hardware or software implemented and configured to execute the method 200.
  • the computer or system 20 includes means for authoring configurations of a plurality of vehicles of the vehicle genre. This or these means can be set up in particular as a data interface or as a user interface, so that the configurations can be read in.
  • the computer or system 20 comprises means for simulating performance of the plurality of vehicles each having different configuration, means 21 of a vehicle model FM of the vehicle genre, means 22 for performing regression based on the simulated performance of the plurality of vehicles, and means 23 for applying a transformation model TM based on the regression, on.
  • the computer or system 20 has another interface adapted to output the value of the target size relative to the robustness and / or the transformation model TM itself. Also, making a selection of configurations by statistic design of the experiment which are detected may preferably be performed by further means of the system 10.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

Die Erfindung betrifft ein Verfahren und System zur Analyse einer Robustheit einer Fahrzeuggattung, deren Fahrzeuge eine Vielzahl an Komponenten aufweisen, wobei das Verfahren folgende Arbeitsschritte aufweist: Simulieren von Bertriebsverhalten einer Vielzahl von Fahrzeugen der Fahrzeuggattung mit jeweils verschiedener Konfiguration mittels eines Fahrzeugmodells der Fahrzeuggattung, wobei jede Konfiguration wenigstens eine Eigenschaft einer Komponente eines Fahrzeugs der Fahrzeuggattung charakterisiert; Durchführen einer Regression auf der Grundlage des simulierten Betriebsverhaltens der Vielzahl von Fahrzeugen; und Anwenden eines Transformationsmodells auf der Grundlage der Regression, wobei das Transformationsmodell eine Zuordnungsvorschrift zwischen Konfiguration und wenigstens einer Zielgröße aufweist, wobei das Transformationsmodell eingerichtet ist, auf der Grundlage von Konfigurationen der Fahrzeuggattung einen Wert einer Zielgröße in Bezug auf die Robustheit der Fahrzeuggattung auszugeben.

Description

Robustheitsanalyse bei Fahrzeugen
B e s c h r e i b u n g
Die Erfindung betrifft ein Verfahren zur Analyse einer Robustheit wenigstens eines Fahrzeugs einer Fahrzeuggattung, welches eine Vielzahl an Komponenten aufweist und ein Verfahren zur Analyse einer Robustheit einer Fahrzeuggattung, deren Fahrzeuge eine Vielzahl an Komponenten aufweisen. Darüber hinaus betrifft die Erfindung entsprechende Systeme zur Analyse der Robustheit.
Die Qualität ist einer der wichtigsten Entscheidungsfaktoren bei der Auswahl zwischen Wettbewerberprodukten. Daher ist das Verstehen der Einflüsse auf die Qualität und das Beeinflussen der Qualität in der richtigen Weise entscheidend für den Geschäftserfolg eines Produkts und damit auch eines Unternehmens.
Zusätzlich zu den sich daraus ergebenden Qualitätsanforderungen auf der Herstellerseite werden auch Qualitätsstandards durch den Gesetzgeber vorgegeben. Beispielsweise müssen Fahrzeughersteller gewährleisten können, dass alle Fahrzeuge eines Fahrzeugtyps, welche von dem Fahrzeughersteller ausgeliefert werden, Emissionswerte einhalten.
Ein weiteres Beispiel für die Qualität ist die Ausfallwahrscheinlichkeit von einzelnen Komponenten bzw. Bauteilen des Fahrzeugs. Diese Ausfallwahrscheinlichkeit hat einen direkten Einfluss auf die Gesamtbetriebskosten (total cost of ownership) eines Fahrzeugs, welche für den Endverbraucher sehr wichtig ist. Auch diesbezüglich soll die gesamte Fahrzeugflotte eines Fahrzeugtyps einen vorgegebenen Wert nicht überschreiten.
Die Einhaltung einer gleichbleibenden Qualität stellt jedoch eine Herausforderung dar, da jedes Bauteil des Fahrzeugs gewissen Toleranzen unterliegt und jedes Fahrzeug von dem jeweiligen Halter unterschiedlich genutzt wird und dementsprechend auch unterschiedlich altert.
Vor diesem Hintergrund tritt die Robustheit von Fahrzeugen als Gesamtsystem gegenüber Schwankungen immer mehr in den Vordergrund. Solche Schwankungen können einerseits durch Produktionstoleranzen hervorgerufen werden, aber auch durch das Benutzerverhalten und die Alterung der Komponenten. Diese Schwankungen müssen bei der Entwicklung, der Kalibrierung und der Validierung der Fahrzeuge und insbesondere deren Antriebsstrang berücksichtigt werden, um die gewünschte Robustheit des Gesamtsystems zu erreichen. Der klassische Entwicklungsprozess eines Fahrzeugs oder dessen Antriebsstrangs erfüllt die Herausforderungen, welche sich durch die Schwankungen der Fahrzeugflotte ergeben, nur ungenügend: Zur Berücksichtigung der Schwankungen kommen größtenteils Ingenieur-Know-how oder Experimente in Bezug auf den schlechtesten anzunehmenden Fall zum Einsatz.
Beispielsweise wird die Kalibration eines Fahrzeugkonzepts an einem oder wenigen Fahrzeugen oder Antriebssträngen durchgeführt, um die gewünschte Leistung und die gewünschten Emissionseigenschaften zu überprüfen. Die Schwankungen der Fahrzeugflotte werden durch erfahrungsbasierte Entwicklungsziele oder durch Prüfabläufe bei minimalen oder maximalen Bedingungen berücksichtigt. Hierbei werden im Allgemeinen einige Eigenschaften von Komponenten einzeln auf ihre unteren und oberen Grenzen in Bezug auf die Fahrzeugflotte eingestellt. Zum Beispiel kann hierbei der bestmögliche Turbolader oder der schlechtmöglichste Turbolader angenommen werden und das System dann validiert werden. Dieser Minimal/Maximal-Ansatz kann jedoch keine zwei- oder mehrfaktoriellen Interaktionen oder den Einfluss auf die Schwankungen der gesamten Fahrzeugflotte abbilden.
Ein anderes Beispiel ist die Validierung von Emissionswerten eines Fahrzeugtyps. Die Erfüllung der Emissionsgrenzwerte wird bisher jedoch mittels einzelner Fahrzeuge validiert. Bei der Entwicklung wird daher versucht, erfahrungsbasierte Sicherheitsmargen, wie das sogenannte„Entwicklungsziel", zu berücksichtigen. Manchmal wird darüber hinaus zur Ergänzung eine Prüfung des schlechtesten anzunehmenden Falls vorgenommen. Die Orientierung an einer allgemein gültigen Sicherheitsmarge ist jedoch nicht zufriedenstellend, da das jeweils gewählte Fahrzeugkonzept wesentlich die Schwankungen der Fahrzeugflotte auf die sich daraus ergebenden Emissionen beeinflusst. Die gesetzlichen Grenzwerte für Emissionen werden in Zukunft in Bezug auf die gesamte Fahrzeugflotte eines Fahrzeugtyps vorgegeben werden. Diese Vorgaben werden durch das Vorsehen neuer Sicherheitsmargen voraussichtlich nicht mehr erfüllt werden können.
Grundsätzlich können die Schwankungen innerhalb einer Fahrzeugflotte mathematisch durch eine große Anzahl von korrelierten oder nicht korrelierten Zufallsvariablen modelliert werden. Diese Zufallsvariablen werden in Folge zu einem Zufallsvektor zusammengefasst, dessen vieldimensionale Verteilung bei der Entwicklung eines Fahrzeugs oder eines Antriebsstrangs berücksichtigt werden muss. Jede Realisierung bzw. Stichprobe aus dieser vieldimensionalen Verteilung entspricht dann einem einzelnen Fahrzeug oder einem einzelnen Antriebsstrang mit bestimmten Produktionstoleranzen, bestimmten Messtoleranzen und einer bestimmten Alterungshistorie, welches unter bestimmten Bedingungen betrieben wird.
Eine Menge an Realisierungen bzw. Stichproben des Zufallsvektors wird dann als repräsentativ für die zugrundeliegende Verteilung bezeichnet, wenn die empirischen Verteilungseigenschaften, insbesondere die empirischen Quantile, mit den theoretischen Verteilungseigenschaften, insbesondere die theoretischen Quantile, hinreichend genau übereinstimmen. Wenn die theoretische Verteilung nicht bekannt ist, wird eine Menge von Realisierungen als repräsentativ angenommen, wenn eine beliebige Anzahl an zusätzliche Realisierungen die Eigenschaften der empirischen Verteilung nicht signifikant verändern.
Um Robustheit, insbesondere die Aussagekraft, für die gesamte Fahrzeugflotte zu gewährleisten, müssen bei der Entwicklung eines Fahrzeugs daher alle technischen Entscheidungen in Bezug auf eine repräsentative Menge an
Realisierungen getroffen werden. Das heißt, eine Fahrzeugkalibrierung ist nur dann robust, wenn diese für die gesamte repräsentative Menge
zufriedenstellend ausfällt. In Abhängigkeit der Anzahl an Zufallsvariablen, muss eine repräsentative Menge mehrere Millionen Realisierungen beinhalten.
Daher verursacht eine vollständige Berücksichtigung von Schwankungen in Bezug auf eine Fahrzeugflotte in dem Entwicklungsprozess bisher einen experimentellen Aufwand, welcher nicht in einem vernünftigen Zeitraum bewältigt werden kann.
Der Einsatz von mathematisch berechneten Robustheitsanalysen ist aus verschiedenen technischen Bereichen bekannt. Beispielsweise betrifft die EP 3 038 026 A1 ein System mit einer Kommunikationseinrichtung, eingerichtet, um einen geplanten Flugablauf, welcher Flugdetails in Bezug auf jeden Flug des geplanten Flugzeitplans beinhaltet, und einen aktuellen Flugplan, welcher Flugdetails in Bezug auf jeden Flug des aktuellen Flugzeitplans beinhaltet, zu empfangen, ein Robustheitsanalysemodul, welches ein simulationsbasiertes Modell beinhaltet, um den geplanten Flugzeitplan und den aktuellen Flugzeitplan zu empfangen und dessen Robustheit zu prüfen, einen Speicher, um Programmbefehle zu speichern, und zumindest einen Prozessor, welcher mit dem Speicher gekoppelt ist und mit dem Robustheitsanalysemodul kommuniziert, wobei der zumindest eine Prozessor eingerichtet ist, um Programmanweisungen auszuführen. Es ist eine Aufgabe der Erfindung, eine Analyse der Robustheit wenigstens eines Fahrzeugs einer Fahrzeuggattung oder der gesamten Fahrzeuggattung zu ermöglichen. Insbesondere ist es eine Aufgabe der Erfindung, eine simulationsbasierte Robustheitsanalyse für ein Fahrzeug mit einer Vielzahl an Komponenten zu beschleunigen.
Diese Aufgabe wird durch die erfindungsgemäßen Verfahren und die erfindungsgemäßen Systeme gemäß der unabhängigen Ansprüche gelöst. Vorteilhafte Ausgestaltungen werden in den Unteransprüchen beansprucht. Die Lehre der Ansprüche wird ausdrücklich zum Bestandteil der Offenbarung gemacht.
Ein erster Aspekt der Erfindung betrifft ein Verfahren zur Analyse einer Robustheit wenigstens eines Fahrzeugs einer Fahrzeuggattung, welches eine Vielzahl an Komponenten aufweist, folgende Arbeitsschritte aufweisend:
Erfassen von Konfigurationen des wenigstens einen Fahrzeugs, welche wenigstens eine Eigenschaft wenigstens einer Komponente des Fahrzeugs charakterisieren;
Bestimmen eines Werts einer Zielgröße in Bezug auf die Robustheit des wenigstens einen Fahrzeugs mittels eines Transformationsmodells, welches eine ZuOrdnungsvorschrift zu den Konfigurationen des wenigstens einen Fahrzeugs und der Zielgröße aufweist, wobei das Transformationsmodell auf einer Ausgleichsrechnung bezüglich Simulationsergebnissen beruht, welche auf einer Betriebsverhalten-Simulation, insbesondere einer zeitaufgelösten Zyklussimulation, einer Vielzahl von Fahrzeugen der Fahrzeuggattung mit jeweils verschiedenen Konfigurationen mittels eines Fahrzeugmodells der Fahrzeuggattung resultieren; und
Ausgeben des Werts. Ein zweiter Aspekt der Erfindung betrifft ein Verfahren zur Analyse einer Robustheit einer Fahrzeuggattung, deren Fahrzeuge eine Vielzahl an Komponenten aufweisen, folgende Arbeitsschritte aufweisend:
Simulieren von Betriebsverhalten einer Vielzahl von Fahrzeugen der Fahrzeuggattung mit jeweils verschiedener Konfiguration mittels eines Fahrzeugmodells der Fahrzeuggattung, wobei jede Konfiguration wenigstens eine Eigenschaft einer Komponente eines Fahrzeugs der Fahrzeuggattung charakterisiert;
Durchführen einer Ausgleichsrechnung auf der Grundlage des simulierten Betriebsverhaltens der Vielzahl von Fahrzeugen; und
Anwenden eines Transformationsmodells auf der Grundlage einer Ausgleichsrechnung, wobei das Transformationsmodell eine ZuOrdnungsvorschrift zwischen Konfiguration und wenigstens einer Zielgröße aufweist, wobei das Transformationsmodell eingerichtet ist, auf der Grundlage von Konfigurationen der Fahrzeuggattung einen Wert einer Zielgröße in Bezug auf die Robustheit der Fahrzeuggattung auszugeben.
Eine Ausgleichsrechnung im Sinne der Erfindung ist ein Regressionsverfahren oder ein Mustererkennungsverfahren oder/und eine Kombination aus beidem im Sinne der statistischen Lehre.
Ein Transformationsmodell im Sinne der Erfindung stellt einen Zusammenhang zwischen den Konfigurationen des einzelnen Fahrzeugs, der Gruppe aus Fahrzeugen oder der Fahrzeuggattung und einer Zielgröße oder einer Gruppe aus Zielgrößen her. Vorzugsweise ist das Transformationsmodell nicht zeitaufgelöst. Weiter vorzugsweise beruht das Transformationsmodell selbst beruht jedoch vorzugsweise auf einer zeitaufgelösten Simulation des Betriebs einer Vielzahl von Fahrzeugen. Eine Betriebsverhalten-Simulation im Sinne der Erfindung ist eine zeitaufgelöste Simulation des Betriebsverhaltens eines Fahrzeugs, Antriebsstrangs oder Motor. Vorzugsweise handelt es sich um eine Zyklussimulation. Dabei wird vorzugsweise ein bestimmter Fahrzyklus oder eine für eine Zyklen-Verteilung repräsentative Auswahl an Fahrzyklen des Fahrzeugs der Fahrzeuggattung herangezogen. Das Betriebsverhalten umfasst vorzugsweise wenigstens eine der Größen Drehzahl, Drehmoment oder Fahrpedalstellung. Zusätzlich oder alternativ können die Größen Geschwindigkeit des Fahrzeugs und/oder Gangwahl verwendet werden.
Eine Zielgröße im Sinne der Erfindung ist eine zu analysierende Größe, die vorzugsweise von der Konfiguration und dem Betriebsverhalten abhängig ist.
Robustheit im Sinne der Erfindung ist die Fähigkeit eines Fahrzeugs und/oder dessen Komponenten, unter Berücksichtigung von Schwankungen von verschiedenen Faktoren zuverlässig zu funktionieren. Beispiele für solche Faktoren sind Produktionstoleranzen, Messtoleranzen, unterschiedliche Nutzung, eine Alterung, Umgebungsbedingungen etc.
Eine Fahrzeuggattung im Sinne der Erfindung ist eine Vielzahl von Fahrzeugen, welche wenigstens im Wesentlichen Komponenten derselben Bauart aufweisen. Vorzugsweise sind wenigstens jene Komponenten der Fahrzeuggattung von derselben Bauart, für welche eine Robustheitsanalyse durchgeführt werden soll. Eine Fahrzeuggattung kann insbesondere die gesamte Fahrzeugflotte eines Fahrzeugtyps eines Herstellers sein.
Ein Versuch im Sinne der Erfindung ist ein Testlauf einer realen oder virtuellen technischen Einrichtung mit einer spezifischen Konfiguration und einem bestimmten Betriebsverhalten über eine festgelegte Zeit. Vorzugsweise wird der Versuch mittels einer Betriebsverhalten-Simulation durchgeführt. Eine Komponente im Sinne der Erfindung ist ein Bauteil oder eine Baugruppe eines Fahrzeugs.
Ein Fahrzeug im Sinne der Erfindung ist jede Art von Land-, Wasser-, Luft- oder Raumfahrzeug, insbesondere ein Kraftfahrzeug.
Erfassen im Sinne der Erfindung ist ein Einlesen von Informationen zur Weiterverarbeitung. Vorzugsweise wird die Information dabei, insbesondere über eine Datenschnittstelle, dem erfindungsgemäßen Verfahren oder dem erfindungsgemäßen System bereitgestellt.
Ausgeben im Sinne der Erfindung ist ein Bereitstellen. Vorzugsweise erfolgt das Bereitstellen über eine Datenschnittstelle. Insbesondere ist aber auch möglich, eine Information über eine Benutzerschnittstelle, beispielsweise einen Bildschirm, auszugeben.
Eine Konfiguration im Sinne der Erfindung entspricht einem Punkt in einem Versuchsraum, welcher durch jene Eigenschaften definiert wird, die die Robustheit der Fahrzeuggattung bestimmen.
Der Erfindung liegt die Erkenntnis zugrunde, dass sich zwischen der Veränderung von Schwankungsbreiten von Eigenschaften von Fahrzeugen, insbesondere deren Komponenten, und Zielgrößen in Bezug auf die Robustheit ein funktionaler Zusammenhang finden lässt. Die Erfindung beruht dabei auf dem Ansatz, Auswertungen von Ausfall Statistiken einer Fahrzeugflotte im Feld, Versuche auf einem (Dauerlauf-)Prüfstand oder zeitaufgelöste Versuche auf einem virtuellen Prüfstand zur Robustheit durch ein empirisches Modell zu ersetzen.
Der Einsatz der Erfindung bei der Robustheitsanalyse ermöglicht es, die Robustheit eines Fahrzeuges, einer Gruppe von Fahrzeugen oder einer ganzen Fahrzeuggattung zu analysieren, ohne die Komponenten des Fahrzeugs oder das Fahrzeug selbst als physischen Prüfling zur Verfügung zu haben. Die gesamte Robustheitsanalyse kann rechnerisch mittels des Transformationsmodells durchgeführt werden.
Gegenüber bestehenden Simulationsverfahren kann dabei die Anzahl an zeitaufgelösten Simulationen von einzelnen Realisierungen bzw. Stichproben des Betriebsverhaltens wesentlich reduziert werden.
Zur vollständigen Robustheitsanalyse eines zum Anmeldezeitpunkt gängigen Antriebsstrangs müssen durch Einsatz der Erfindung anstatt einer repräsentativen Auswahl an Konfigurationen aus dem Versuchsraum in einer Größenordnung von 106 lediglich wenige hunderte zeitaufgelöste Simulationen vorgenommen werden. Die Ergebnisse der übrigen Konfigurationen der repräsentativen Auswahl können dagegen mittels des Transformationsmodells vorhergesagt werden. Ist das Transformationsmodell für einen bestimmten Versuchsraum bekannt, so können sogar alle Konfigurationen von Verteilungen innerhalb der ursprünglichen Schwankungsbreiten durch das Transformationsmodell vorausgesagt werden, ohne zusätzliche zeitaufgelöste Simulationen durchführen zu müssen.
Erfindungsgemäß wird daher eine wesentliche Beschleunigung der rechnergestützten Simulationsanalyse erreicht. Simulationszeiten von mehreren Monaten können auf diese Weise auf wenige Stunden oder Minuten verkürzt werden. Musste bisher oftmals auf eine rechnergestützte Robustheitsanalyse in einem frühen Entwicklungsstadium eines Fahrzeugs oder einer Fahrzeugkomponente, an welcher noch kein Prototyp vorlag, verzichtet werden, kann die Robustheitsanalyse mit dem erfindungsgemäßen Verfahren bereits bei Vorliegen eines Fahrzeugmodells für eine Fahrzeuggattung durchgeführt werden. Des Weiteren ermöglicht die Erfindung eine Ursachenanalyse in Bezug auf die Robustheit der Fahrzeuggattung. So können beispielsweise die Schwankungsbreiten der einzelnen Eigenschaften der analysierten Konfigurationen und damit die jeweiligen Verteilungen kontinuierlich verändert werden und die entsprechenden Auswirkungen auf die Robustheit unmittelbar beobachtet werden. Auf diese Weise können Bereiche des Versuchsraums, welche für die Robustheit von hoher Relevanz sind, einfach identifiziert und untersucht werden.
In einer vorteilhaften Ausgestaltung weist ein erfindungsgemäßes Verfahren des Weiteren folgenden Arbeitsschritt auf:
Erzeugen einer repräsentativen Auswahl einer Gruppe von Fahrzeugen der Fahrzeuggattung oder einer repräsentativen Auswahl von Fahrzeugen der gesamten Fahrzeuggattung, deren Konfigurationen erfasst werden.
Durch eine Berücksichtigung einer repräsentativen Auswahl aus dem Versuchsraum kann gewährleistet werden, dass die sich ergebenden Werte der Zielgröße in Bezug auf die Robustheit für die gesamte betrachtete Verteilung repräsentativ sind.
In einer weiteren vorteilhaften Ausgestaltung eines erfindungsgemäßen Verfahrens werden die Grundkonfigurationen durch eine Nutzung der wenigstens einen Komponente und/oder des wenigstens einen Fahrzeugs, insbesondere durch charakteristische Fahrzyklen und/oder durch wenigstens eine Umgebungsbedingung, unter welcher eine Nutzung erfolgt, als weitere Eigenschaften charakterisiert.
Durch diese Ausgestaltung kann einerseits die gesamte Fahrzeuggattung auf den Einfluss von äußeren Umgebungsbedingungen auf die Komponenten untersucht werden, andererseits kann auch ein einzelnes Fahrzeug mit deterministisch festgelegten Toleranzen auf den Einfluss äußerer Bedingungen untersucht werden.
In einer weiteren vorteilhaften Ausgestaltung eines erfindungsgemäßen Verfahrens ist die Nutzung durch Lastmerkmale und Dynamikmerkmale gekennzeichnet.
Lastmerkmale und Dynamikmerkmale haben sich für die Differenzierung von verschiedenen charakteristischen Fahrzyklen als besonders geeignet herausgestellt.
In einer weiteren vorteilhaften Ausgestaltung eines erfindungsgemäßen Verfahrens weist dieses des Weiteren die folgenden Arbeitsschritte auf:
Erzeugen einer repräsentativen Auswahl aus möglichen Konfigurationen der weiteren Eigenschaften, wobei diese Konfigurationen erfasst werden.
Vorzugsweise kann die repräsentative Auswahl aus den möglichen Konfigurationen der weiteren Eigenschaften mit der repräsentativen Auswahl an Fahrzeugen aus der Fahrzeuggattung kombiniert werden, so dass eine repräsentative Auswahl in Bezug auf die Verteilung von den Eigenschaften der Komponenten des Fahrzeugs und der weiteren Eigenschaften entsteht.
In einer weiteren vorteilhaften Ausgestaltung eines erfindungsgemäßen Verfahrens beruht die repräsentative Auswahl auf einem Zufallsexperiment oder mehreren Zufallsexperimenten, insbesondere einer Monte-Carlo-Simulation.
In einer weiteren vorteilhaften Ausgestaltung eines erfindungsgemäßen Verfahrens wird für eine Konfiguration eine Vielzahl an Eigenschaften einer Vielzahl an Komponenten erfasst und das Transformationsmodell ist geeignet, aus diesen Konfigurationen einen oder wenige Zielgrößenwerte in Bezug auf das wenigstens eine Fahrzeug zu bestimmen. Erfindungsgemäß lässt sich daher eine multidimensionale Verteilung auf eine eindimensionale Zielgröße abbilden.
In einer weiteren vorteilhaften Ausgestaltung eines erfindungsgemäßen Verfahrens beruht die Simulation oder das Simulieren auf einer Auswahl an Konfigurationen, welche mittels statistischer Versuchsplanung innerhalb von Grenzen einer ersten Verteilung aller möglichen Konfigurationen ausgewählt ist.
Hierdurch kann gewährleistet werden, dass das Transformationsmodell den gesamten Versuchsraum, in welchem die erste Verteilung aufgespannt ist, abbildet.
In einer weiteren vorteilhaften Ausgestaltung eines erfindungsgemäßen Verfahrens ist die repräsentative Auswahl innerhalb von Grenzen einer zweiten Verteilung ausgewählt. Das Transformationsmodell eignet sich insbesondere zur Abbildung einer beliebigen Verteilung, bei welcher die Schwankungsbereiche der Eigenschaften innerhalb der Schwankungsbereiche liegen, die bei der ersten Verteilung vorgegeben waren.
In einer weiteren vorteilhaften Ausgestaltung eines erfindungsgemäßen Verfahrens ist die Dimension der ersten und/oder der zweiten Verteilung gleich der Anzahl der Eigenschaften, welche in den Konfigurationen berücksichtigt ist.
In einer weiteren vorteilhaften Ausgestaltung eines erfindungsgemäßen Verfahrens ist die Zielgröße wenigstens eine aus der folgenden Gruppe an Zielgrößen: Emissionen des Fahrzeugs, insbesondere Schadstoffemissionen im Feld, eine Fehlermeldung und/oder ein Fehlereintrag im Steuergerät, eine Reparaturmeldung, eine Warnleuchte, eine Sicherheitsmeldung, in Bezug auf eine Fahrzeugkomponente, insbesondere einer Fahrwerkskomponente, eine Antriebsstrangkomponente, ein Fahrerassistenzsystem oder einen Servoantrieb. Des Weiteren kann eine Zielgröße auch ein Schadensereignis und/oder ein Lastkollektiv, insbesondere eine oder mehrere potentielle schädigende Eingangsgrößen für eine Komponente und/oder deren Subkomponenten, sein. Auch, eine Adaption von Mess- und/oder Produktionstoleranzen in einer Lernphase, oder die finale Beladung eines Katalysators am Ende einer Vorkonditionierungsphase kann eine Zielgröße sein.
In einer weiteren vorteilhaften Ausgestaltung eines erfindungsgemäßen Verfahrens ist die wenigstens eine Eigenschaft wenigstens einer Komponente des Fahrzeugs aus der folgenden Gruppe ausgewählt: Eine konstruktive Eigenschaft der wenigstens einen Komponente, eine Kalibrierung einer Steuerung der wenigstens einen Komponente, Messtoleranzen der Komponente, Produktionstoleranzen der Komponente, eine Alterung der wenigstens einen Komponente und/oder des wenigstens einen Fahrzeugs.
In einer weiteren vorteilhaften Ausgestaltung eines erfindungsgemäßen Verfahrens ist die wenigstens eine Eigenschaft durch eine parametrische/nicht- parametrische Wahrscheinlichkeitsverteilung angegeben. Insbesondere sind die Mess- und Produktionstoleranzen als parametrische Verteilung angegeben und die Nutzung ist als nicht-parametrische Wahrscheinlichkeitsverteilung angegeben.
Die im Vorhergehenden in Bezug auf ein erfindungsgemäßes Verfahren beschriebenen Merkmale und Vorteile gelten entsprechend auch für ein erfindungsgemäßes System, ein erfindungsgemäßes Computerprogramm und ein erfindungsgemäßes Computer-lesbares Medium entsprechend und umgekehrt.
Ein dritter Aspekt der Erfindung betrifft ein System zur Analyse einer Robustheit wenigstens eines Fahrzeugs einer Fahrzeuggattung, welches eine Vielzahl an Komponenten aufweist, folgende Arbeitsschritte aufweisend: Mittel zum Erfassen von Konfigurationen des wenigstens einen Fahrzeugs, welche durch wenigstens eine Eigenschaft wenigstens einer Komponente des Fahrzeugs charakterisiert sind;
Mittel zum Bestimmen eines Werts einer Zielgröße in Bezug auf die Robustheit des wenigstens einen Fahrzeugs mittels eines Transformationsmodells, welches eine ZuOrdnungsvorschrift zwischen Konfigurationen des wenigstens einen Fahrzeugs und der einen Zielgröße aufweist, wobei das Transformationsmodell auf einer Regression bezüglich Simulationergebnissen beruht, welche aus einer Betriebsverhalten-Simulation einer Vielzahl von Fahrzeugen der Fahrzeuggattung mit jeweils verschiedenen Konfigurationen mittels eines Fahrzeugmodells der Fahrzeuggattung resultieren; und
eine Schnittstelle zum Ausgeben des Werts.
Ein vierter Aspekt der Erfindung betrifft ein System zur Analyse einer Robustheit eines Fahrzeugs einer Fahrzeuggattung, welches eine Vielzahl an Komponenten aufweist, folgende Arbeitsschritte aufweisend:
Mittel zum Erfassen von Konfigurationen einer Vielzahl von Fahrzeugen der Fahrzeuggattung, welche jeweils durch wenigstens eine Eigenschaft wenigstens einer Komponente des Fahrzeugs charakterisiert sind;
Mittel zum Simulieren von Betriebsverhalten der Vielzahl von Fahrzeugen mit jeweils verschiedener Konfiguration mittels eines Fahrzeugmodells (FM) der Fahrzeuggattung, wobei jede Konfiguration wenigstens eine Eigenschaft einer Komponente wenigstens eines Fahrzeugs der Fahrzeuggattung charakterisiert; Mittel zum Durchführen einer Regression auf der Grundlage des simulierten Betriebsverhaltens der Vielzahl von Fahrzeugen; und
Mittel zum Anwenden eines Transformationsmodells auf der Grundlage der Regression, wobei das Transformationsmodell eine ZuOrdnungsvorschrift zwischen Konfigurationen und wenigstens eine Zielgröße umfasst, wobei das Transformationsmodell eingerichtet ist, auf der Grundlage von Konfigurationen der Fahrzeuggattung einen Wert einer Zielgröße in Bezug auf die Robustheit der Fahrzeuggattung auszugeben. Ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessor-Einheit (CPU) und/oder ein oder mehrere Programme oder Programm-Module aufweisen. Die CPU kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus zu geben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien, aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, dass die CPU die Schritte solcher Verfahren ausführen kann und damit insbesondere einen Wert einer Zielgröße in Bezug auf die Robustheit wenigstens eines Fahrzeugs einer Fahrzeuggattung bestimmen kann.
Weitere Merkmale und Vorteile ergeben sich aus der nachfolgenden Beschreibung der Ausführungsbeispiele in Bezug auf die Figuren. Es zeigen:
Fig. 1 ein Flussdiagramm eines erfindungsgemäßen Verfahrens gemäß dem ersten Aspekt der Erfindung;
Fig. 2 ein Flussdiagramm in Bezug auf eine Erstellung von verschiedenen
Sätzen von Stichproben oder Realisierungen aus einer
Gesamtverteilung;
Fig. 3 eine Darstellung zur Veranschaulichung einer Herleitung einer
Randverteilung aus nichtlinearen Messtoleranzen eines NOx Sensors; Fig. 4 eine Darstellung einer Randverteilung in Bezug auf eine Nutzung einer Fahrzeuggattung;
Fig. 5 eine Darstellung einer Randverteilung in Bezug auf
Umweltbedingungen bei einer Nutzung von Fahrzeugen;
Fig. 6 ein Flussdiagramm zur Veranschaulichung eines erfindungsgemäßen
Verfahrens gemäß dem zweiten Aspekt der Erfindung; Fig. 7 eine grafische Darstellung eines möglichen Ergebnisses der erfindungsgemäßen Verfahren; eine weitere grafische Darstellung eines möglichen Ergebnisses der erfindungsgemäßen Verfahren; und eine weitere grafische Darstellung eines möglichen Ergebnisses der erfindungsgemäßen Verfahren.
Im Folgenden werden die erfindungsgemäßen Verfahren im Gesamtzusammenhang einer Bestimmung einer Robustheit dargestellt. Die Bestimmung der Robustheit einer Fahrzeuggattung wird dabei zur Veranschaulichung in sieben Arbeitsschritte gegliedert. Der Fachmann weiß jedoch, dass die beschriebene Vorgehensweise auch in anderer Weise gegliedert werden könnte.
In einem ersten Arbeitsschritt werden Einkünfte über Arbeitsannahmen getroffen. Hierzu gehören vorzugsweise:
• Definition der Ziele der Analyse der Robustheit (zum Beispiel CoP, ISC, OBD, Haltbarkeitsstudien vorzugsweise mit Parameteroptimierung kombiniert)
• Festlegen der Simulationsplattform für eine Betriebsverhalten-Simulation (z.B. HiL, SiL, ETB, CTB, ...) Festlegen der Zielgrößen (zum Beispiel Schadstoffe, Fehlereinträge, ...), der Testzyklen (z WHTC-, WHSC, RDE, ...) und der veränderlichen Parameter
Festlegen der Motor- und/oder EAS Präkonditionierungsmaßnahmen (z.B. Aufwärmphasen, NH3 Beladung, ...)
Festlegen der ECU-Initialisierung (zum Beispiel Lernphasen, Anpassung Aktivität, etc..)
Modellierung von Produktionstoleranzen durch:
o Anwendung einer Normalverteilung N (μ, σ) Modellierung Hardware (o = toi I 4), Sensor- und Aktor-Toleranzen (o = toi I 2 oder o = tol l 3)
o Anwendung einer Beta-Verteilung bei schiefem Toleranzverhalten Modellierung einer Nutzungsvariabilität durch:
o Anwendung eines nicht-parametrischer Gauß'schen Modellierkern-Ansatzes, um korrelierte Umweltdaten (Temperatur, Druck und Luftfeuchtigkeit) zu modellieren
o Nutzungsmodellierung durch einen oder mehrere vorgegebene Zyklen oder durch eine vorhandene Nutzungsverteilung in Abhängigkeit von Last und Dynamik. Ein Beispiel für eine solche Nutzungsverteilung ist in Fig. 4 dargestellt. Hierbei kommt vorzugsweise ein sogenanntes „Depth-Outlyingness-Quantile- Rank Paradigm" zum Einsatz, um aus dieser Verteilung Realisierungen bzw. Stichproben auszuwählen)
Festlegen, wie eine Alterung der Komponenten in die Modellierung einzubeziehen ist.
o Alternative 1 : Die Alterung wird als eine unabhängige Eingangsgröße der Analyse behandelt. In diesem Fall wird die Alterung wie eine Fertigungstoleranz behandelt.
o Alternative 2: Die Alterung korreliert mit Produktionstoleranzen und/oder der Nutzungsvariabilität. Dann muss diese durch Alterungsmodelle dargestellt werden. In diesen Fall müssen auch die zu überwachenden Eingangsgrößen des Alterungsmodells festgelegt werden. Zur Berücksichtigung einer beschleunigten Alterung wird eine jeweilige Beobachtungsperiode vorzugsweise in Stützpunkte aufgeteilt. Für jeden Stützpunkt wird das Motormodell nach den Alterungsmodellen korrigiert
In einem zweiten Arbeitsschritt wird der Modellierungsaufbau festgelegt. Hierzu gehören vorzugsweise:
• Erzeugung und/oder Zuordnung von sogenannten Zugangspunkten, an welchen Faktorvariabilität, insbesondere die Produktions- und Messtoleranzen, auf das Modell übertragbar ist. Ein Beispiel für die Faktorvariabilität eines NOx-Sensors ist in Fig. 3a gezeigt
• Zugangspunkte können daher wie folgt unterschieden werden:
o Offsetfehler (z.B. Hardwareabmessungen, Sensorfehler), d.h, ein bestimmter Parameter oder Signal im Modell wird mit konstantem Wert vorbelegt
o Faktorfehler (z.B. Aktorfunktionalitäten, Sensorfehler), d.h. ein bestimmtes Signal im Modell wird mit einem Wert nahe 1 multipliziert
o Nichtlinearitätsfehler (z.B. abhängige Funktionalitäten, Sensorfehler), d.h. ein definiertes Signal weicht als Funktion von einem/mehreren Signalen ab; ein nichtlinearer Fehler bezieht sich auf eine Funktion zwischen den Spezifikationsbegrenzungen USL, LSL für einen bestimmten Motor (eine Betriebsverhalten- Simulation), für welchen dieser konstant gehalten wird. Ein Beispiel hierfür ist in Fig. 3b dargestellt
• Test der Zugangspunkt-Implementierung und des Datenflusses durch die gesamte Simulationsumgebung
• Prüfen der Korrektheit der Startbedingungen für Testläufe und korrigieren des Datenexports
• Überprüfen der Zugangspunkte auf die richtigen Abhängigkeiten, vorzugsweise durch eine One-Factor-a-Time (OFT) Simulation, bei welcher jeder Faktor zu seiner unteren (LSL) und oberen (USL) Spezifikationsbegrenzung verändert wird. Dies geschieht insbesondere an anspruchsvollen stationären Betriebspunkten oder bei einem transienten Zyklus.
Aus den vorgenannten Variabilitäten für Nutzung, Alterung, Umweltbedingungen und Produktions- und Messtoleranzen ergeben sich jeweils Randverteilungen F1 ,... , Fk. Diese werden vorzugsweise in einer Gesamtverteilung F1* '*k zusammengefasst. Diese Gesamtverteilung spannt einen Versuchsraum Xk auf.
In einem dritten Arbeitsschritt wird ein Screening-Verfahren an der Gesamtverteilung F1* '*k durchgeführt. Das Screening-Verfahren dient dazu, die Gültigkeit der Simulationsumgebung an den Grenzen des Versuchsraumes Xk zu validieren. Bereiche mit hoher Variabilität können für eine effiziente raumfüllende Versuchsplanung identifiziert werden. In diesem Fall werden die Screening-Daten zur Erstellung eines raumfüllenden Designs benutzt. Darüber hinaus kann ein erster Überblick gewonnen werden, welcher Faktor für welche Systemantwort oder Zielgröße bedeutsam ist.
Andererseits kann das Screening-Verfahren eingesetzt werden, um langlebige Vorkonditionierungs- und Lernphasen von Komponenten des Fahrzeugs einzusparen und auf diese Weise die Toleranzbereiche der Eigenschaften der Komponenten zu reduzieren. Denn schon auf der Grundlage der Daten, welche in dem Screening-Verfahren gewonnen wurden, können Regressionsmodelle zweiter Ordnung für die Abhängigkeiten von Zielgrößen erstellt werden, auf deren Basis als Zielgrößen eine Veränderung der Toleranzen während der Lernphase einer Steuerung einer Komponente oder auch eine Beladung eines Katalysators während einer Konditionierungsphase vorhergesagt werden kann.
Vorzugsweise sollte das Screening-Design in der Lage sein, alle Faktoren auf den drei Ebenen „Nominal", „LSL" und „USL" zu untersuchen. Beispielsweise kann das Screening-Verfahren nach Jones und Nachtsheim, Journal of Quality Technology, Vol. 43, pp. 1 -15, 201 1 zum Einsatz kommen. Mittels des Screening-Verfahrens kann die Bedeutung einzelner Faktoren durch ein t-Test Testverfahren untersucht werden. Diese Untersuchung bezieht vorzugsweise lineare Abhängigkeiten, quadratische Abhängigkeiten und Interaktionseffekte zwischen zwei Faktoren ein, wobei weiter vorzugsweise die Power jedes Tests (d.h. die Wahrscheinlichkeit für falsche Aussagen) untersucht wird.
In einem vierten Arbeitsschritt wird eine raumfüllende Versuchsplanung für die Gesamtverteilung F1* *k in dem Versuchsraum Xk durchgeführt. Dies ist nötig, da Daten, die durch das Screening-Verfahren erhalten werden, in der Regel nicht ausreichen, um die Abhängigkeiten zwischen den Eigenschaften oder Konfigurationen einer Fahrzeuggattung und den Zielgrößen in einem Transformationsmodell TM für den gesamten Versuchsraum Xk hinreichend akkurat darzustellen.
Stichproben oder Realisierungen sind für die Betriebsverhalten-Simulation insbesondere in jenen Regionen des Versuchsraums Xk erforderlich, in welchen die zu untersuchenden Abhängigkeiten eine hohe Variabilität aufweisen.
Vorzugsweise wird die Durchführung der Betriebsverhalten-Simulation 203 hierfür in mehrere Simulationsabschnitte aufgeteilt:
In Simulationsabschnitt 1 werden die Screening-Ergebnisse verwendet, um so ein raumfüllendes Design für den Versuchsraum Xk zu erzeugen, welches mehr Stichproben in Regionen mit hoher Variabilität der Zielgrößen setzt. Für die so definierten Stichproben oder Realisierungen wird die Betriebsverhalten- Simulation durchgeführt.
In Simulationsabschnitt 2 werden die Ergebnisse des In Simulationsabschnitts 1 verwendet, um zu bestimmen, welche Regionen des Versuchsraum Xk nicht zufriedenstellend untersucht sind, d.h. , die Daten der Zielgröße zeigen schwere Lücken, so dass mehr Daten erforderlich sind.
In diesen Regionen des Versuchsraum Xk werden erneut Stichproben oder Realisierungen ausgewählt. Eine solche verfeinerte Untersuchung von einzelnen Regionen ist in Fig. 6 dargestellt. Die entsprechenden Regionen weisen eine höhere Stichprobendichte auf und sind in Fig. 6 mittels gestrichelter Linien umrahmt.
Der Simulationsabschnitt 2 kann beliebig oft wiederholt werden, bis alle Abhängigkeiten zufriedenstellend untersucht sind.
In einem fünften Arbeitsschritt werden ein oder mehrere Transformationsmodelle TM, vorzugsweise für jede beobachtete Zielgröße, erzeugt 204. Das jeweilige Transformationsmodell TM ist hierbei nur innerhalb der untersuchten Toleranzgrenzen gültig.
Die Transformationsmodelle TM werden vorzugsweise auf der Grundlage von Regressions- und Mustererkennungsansätzen, insbesondere mehrschichtigen Perzeptronen („Multi-Layer Perceptrons), d.h. neuronale Netzwerke, erstellt.
Trainingsalgorithmen, die für diese neuronalen Netzwerke verwendet werden können, finden sich beispielsweise als Teil der von Mathworks© angebotenen „Neural Networks Toolbox". Die Leistung der Transformationsmodelle TM wird durch hierfür speziell vorbehaltene Daten der Betriebsverhalten-Simulation beurteiltet. Diese wird vorzugsweise als ausreichend angesehen, wenn das Bestimmtheitsmaß R2 bezüglich aller Daten größer als 0.6 ist.
In einem sechsten Arbeitsschritt wird eine Monte-Carlo-Simulation zur Generierung von Zufallswerten, insbesondere in Bezug auf Konfigurationen, ausgeführt. Die größte Herausforderung ist hierbei die "vollständige" Einbindung einer gegebenen Unsicherheit in die Robustheitsanalyse. "Vollständig" bedeutet, dass die eingeschlossene Variabilität repräsentativ untersucht wird.
Nach dem "Gesetz der großen Zahlen", stellt eine Reihe von zufälligen Stichproben die zugrundeliegende Verteilung dar, wenn die Abweichung zwischen empirischen und theoretischen Quantilen hinreichend klein ist.
Eine solche Reihe von zufälligen Stichproben oder Realisierungen kann mittels der Monte-Carlo-Simulation aus der ursprünglichen Verteilung F1* '*k generiert werden 101 . Diese Stichproben oder Realisierungen werden in das oder die Transformationsmodelle TM eingegeben 102.
Für diese repräsentativen Stichproben oder Realisierungen kann die Verteilung der jeweils gewünschten Zielgröße mittels des oder der Transformationsmodelle TM berechnet werden 103, 205.
Durch den Einsatz der Transformationsmodelle TM können die Stichproben sofort verarbeitet werden und daher die Verteilung der Zielgröße ohne lange Simulationszeiten sofort berechnet werden.
Mittels der Ergebnisse der Berechnungen kann eine Sensitivitätsanalyse ausgeführt werden. Bei einer solchen Sensitivitätsanalyse haben die erfindungsgemäßen Transformationsmodelle TM den Vorteil, dass auch andere Gesamtverteilungen F'1* "*k, F"1* "*k innerhalb des Versuchsraum Xk sofort analysiert werden können, ohne weitere zeitaufgelöste Betriebsverhalten- Simulationen durchführen zu müssen.
Beispielsweise kann die Signifikanz der Variation einzelner Eigenschaften durch Einschränkung ihrer Variabilität auf Sub-Intervalle untersucht werden. Die sich hieraus ergebende neue Gesamtverteilung F'1* "*k, F"1* "*k kann mittels des wenigstens einen Transformationsmodells TM, welches für die ursprüngliche Gesamtverteilung F1* ' "*k hergeleitet wurde, und einer erneuten Monte-Carlo- Simulation für die neue Gesamtverteilung untersucht werden. Auf diese Weise können die Zielgrößen erneut für die neue Gesamtverteilung F'1* "*k, F"1* "*k bestimmt werden und dann die im Vergleich zur ursprünglichen Gesamtverteilung F1* ' "*k erhaltene Differenz gemessen werden.
Diese Differenz drückt sich ohne Beschränkung der Allgemeinheit der Ergebnisse für das Fahrzeug oder die Fahrzeuggattung in einer Änderung der Wahrscheinlichkeit für ein vorgegebenes Ereignis aus.
In einem siebten Arbeitsschritt werden die Ergebnisse gedeutet.
Die auf der Grundlage der im Vorhergehenden beschriebenen Arbeitsschritte erhaltenen Wahrscheinlichkeiten oder Wahrscheinlichkeitsverteilungen für ein vorgegebenes Ereignis müssen in Bezug auf die Ziele der Robustheitsstudie interpretiert und/oder verarbeitet werden
Beispielsweise könnte es das Ziel der Robustheitsanalyse sein, die Produktkonformitäts-(CoP)Ausfallwahrscheinlichkeit für eine Hochleistungs- Straßen-Anwendung („On-Road Heavy-Duty Motor") zu beurteilen.
Bei dem Produktkonformitäts-Prüfverfahren handelt es sich um einen statistischen Stichproben-Test, bei dem Motoren aus der Fertigungsreihe sukzessive auf Emissions-Compliance geprüft werden. Beginnend mit drei Motoren wertet das Prüfverfahren die Teststatistiken auf der Grundlage der gesetzlich geregelten Schadstoffe aus. Abhängig vom Ergebnis der Teststatistik ist die Produktkonformitätsprüfung bestanden, fehlgeschlagen oder es wird ein zusätzlicher Motor aus der Fertigungsreihe entnommen.
Den erhaltenen Wahrscheinlichkeitsverteilungen können Wahrscheinlichkeiten fürs Bestehen, Fehlschlagen oder die erwartete Anzahl an Motoren entnommen werden, für die die Produktkonformitätsprüfung getestet werden müssen.
Die Figuren 8 und 9 zeigen die Wahrscheinlichkeitsverteilungen von Produktkonformitätsprüfung für NOx-Sensoren mit hoher (Fig. 9) und niedriger Qualität (Fig. 8), welche mittels der erfindungsgemäßen Verfahren 100, 200 ermittelt werden können.
Ein weiteres Beispiel zum Einsatz der erfindungsgemäßen Lehre ist die Frage, wie eine Toleranz in Bezug auf eine Eigenschaft geändert werden muss, um eine zufriedenstellende Wahrscheinlichkeitsverteilung der Zielgröße zu erhalten. Ein weiteres Beispiel ist die Beurteilung der Alterung der Komponenten in Bezug auf eine gegebene Toleranz. Die Wahrscheinlichkeitsverteilung der Zielgröße könnte hierbei beispielsweise Temperaturspitzen betreffen, die den Alterungsprozess eines Bauteils erheblich beeinflussen. Diese Wahrscheinlichkeitsverteilung könnte beispielsweise in Bezug auf erwartete Reparatur- und Garantiekosten interpretiert werden.
Die erfindungsgemäßen Verfahren 100, 200 betreffen vorzugsweise Teilaspekte der zuvor beschriebenen Bestimmung der Robustheit einer Fahrzeuggattung. Nachfolgend werden bevorzugte Ausführungsbeispiele der erfindungsgemäßen Verfahren 100, 200 insbesondere anhand der Figuren 1 , 2 und 6 im Detail erläutert.
Fig. 1 zeigt ein Flussdiagramm eines Ausführungsbeispiels eines Verfahrens 100 zur Analyse einer Robustheit wenigstens eines Fahrzeugs einer Fahrzeuggattung.
Ausgangspunkt für dieses Ausführungsbeispiel sind die Gesamtverteilungen p-r...*k ^ p.-r...*^ ρ..-r.. -k Diese Gesamtverteilungen entstehen durch abhängige oder vorzugsweise unabhängige Zufallsvariablen Xi,...,Xk mit Randverteilungen F1, ...,Fk, welche jeweils einen Aspekt der möglichen Schwankungen in Bezug auf ein Fahrzeug einer Fahrzeuggattung betreffen.
Solche Randverteilungen F1, ...,Fk in Bezug auf einzelne Aspekte der Schwankungen eines Fahrzeugs sind in den Figuren 3 bis 5 dargestellt. Fig. 3a repräsentiert hierbei eine Schwankung in Bezug auf Produktionstoleranzen oder Messtoleranzen einer Komponente eines Fahrzeugs, welche im Allgemeinen einer parametrischen Verteilung, insbesondere einer Normalverteilung, unterliegt.
Im Allgemeinen werden die Produktionstoleranzen durch eine obere und untere Spezifikationsbegrenzung (Lower Specification Limit - LSL bzw. L, Upper Specification Limit - USL bzw. U) gekennzeichnet, welche im Allgemeinen bei +/- 4 o, das heißt der vierfachen Standardabweichung, liegt. Dies bedeutet, dass man bei 100.000 zufälligen Stichproben erwarten kann, dass 6 Stück außerhalb dieser Grenzen liegen. Bei Sensoren wird allgemein von Messtoleranzen gesprochen, welche beispielsweise durch einen Offset- und/oder einen Gain- und/oder einen Nichtlinearitätsfehler verursacht werden. Diese Definition entspricht der ISO-Norm 1 1462.
Die hierdurch verursachte Messungenauigkeit wird von den Herstellern im Allgemeinen durch Angabe der Grenze von +/- 2 o, das heißt der zweifachen Standardabweichung, als untere Spezifikationsbegrenzung bzw. obere Spezifikationsbegrenzung, angegeben. Dies bedeutet, dass 5 Stück aus 100 zufälligen Stichproben im Mittel außerhalb dieser Grenzen liegen. Diese Definition entspricht der DIN-Norm 1319.
Einige Hersteller von Messsensoren, wie beispielsweise Bosch, geben dagegen die Grenzen bei +/- 3 o, das heißt der dreifachen Standardabweichung, an. Außerhalb dessen Grenzen liegen im Mittel lediglich 3 Stück von 1.000 zufälligen Stichproben.
Eine solche Randverteilung unter Angabe der unteren Spezifikationsgrenze LSL und der oberen Spezifikationsgrenze USL ist in Fig. 3a dargestellt. Eine typische Spezifikation der Messtoleranzen eines NOx-Sensors lautet wie folgt: - Bei einer Konzentration von NOx < 100 ppm ist der Toleranzbereich +/- 10 ppm bei +/- 3 o;
- bei einer NOx-Konzentration von > 100 ppm ist der Toleranzbereich +/- 10 % bei +/- 3 o.
Aus dieser Spezifikationen der Messtoleranzen und/oder Produktionstoleranzen kann ein Fehler des Ausgabesignals abgeleitet werden, wie in Fig. 3b gezeigt. Die jeweiligen beispielhaften zufälligen Stichproben aus Fig. 1 a verursachen hierbei, wie durch die beiden geschwungenen Pfeile angedeutet, zu den jeweiligen Fehlerkurven in Abhängigkeit der NOx-Konzentrationen im Abgas.
Ähnliche Verteilungen können auch zur Abbildung von Alterungsprozessen einzelner Komponenten herangezogen werden. In diesem Fall ist das Altern eine unabhängige Eingangsgröße der Robustheitsanalyse.
Alternativ dazu kann das Altern mit Produktionstoleranzen und der Nutzungsvariabilität korreliert werden. Hierfür werden vorzugsweise separate Alterungsmodelle erstellt. Dies umfasst das Festlegen von Eingangsgrößen des Alterungsmodells, z. b. eine Laufleistung. Bei der Betriebsverhalten-Simulation müssen dann die einzelnen Modelle der Komponenten auf der Grundlage des oder der Alterungsmodell(e) korrigiert werden.
Fig. 4 stellt eine Verteilung in Bezug auf die Nutzungsschwankungen von Fahrzeugen einer Fahrzeuggattung dar.
Wie in der Figur aber angedeutet, erfolgt das Erstellen einer solchen Verteilung auf der Grundlage von Rohdaten, welche an bestehenden Fahrzeugen im Feld gesammelt wurden. Die Rohdaten können hierbei an Fahrzeugen aufgenommen werden, welche nicht zur gleichen Fahrzeuggattung wie jene gehören, in Bezug auf welche später eine Robustheitsanalyse durchgeführt wird. Vorzugsweise werden für eine Sammlung von Rohdaten mehrere 100 bis mehrere 1000 Fahrten ausgewertet. Hierbei werden als Messkanäle vorzugsweise die Fahrzeuggeschwindigkeit, eine zurückgelegte Kilometerzahl, die Motordrehzahl, ein Drehmoment, eine Gaspedalposition, ein Bremssignal, ein Kupplungssignal, eine Kupplungsposition, eine Höhe, eine Umgebungstemperatur und eine Umgebungsluftfeuchtigkeit berücksichtigt.
Vorzugsweise wird aus diesen Daten eine Verteilung erzeugt, welche die Verteilungsdichte von einzelnen gefahrenen Zyklen in Bezug auf die Last und die Fahrdynamik angeht, wie dies in Fig. 4 dargestellt ist.
In Fig. 4 sind hierbei durch die drei Linien jeweils Bereiche begrenzt, in welchen 99,99 % bzw. 99,73 % bzw. 95 % der gefahrenen Zyklen enthalten sind. Aus der Dichteverteilung der Zyklen in Bezug auf Last und Dynamik wird ein 17 Stunden- Referenzzyklus bestimmt. In der Dichteverteilung werden maßgebliche Bereiche identifiziert, welche in Fig. 4 durch S bezeichnet sind, in welchen Fehlfunktionen der Komponenten der Fahrzeuge, insbesondere des Motors, vermehrt auftreten. In dem vorliegenden Ausführungsbeispiel wird der Referenzzyklus vorzugsweise auf diese maßgeblichen Bereiche verkürzt, wodurch ein verkürzter Referenzzyklus R von etwa 30 Minuten übrig bleibt. Dieser verkürzte Zyklus wird zur Abbildung der Betriebsbedingungen angenommen, unter welchen alle Fahrzeuge der Fahrzeuggattung betrieben werden. Alternativ kann aber auch vorgesehen sein, dass die Fahrzeuge der Fahrzeuggattung auch hinsichtlich verschiedener Fahrzyklen differenziert werden.
Fig. 5 stellt eine Randverteilung für die Variabilität von Umweltbedingungen, im dargestellten Fall Luftdichte, Temperatur und absolute Luftfeuchtigkeit, dar, unter welcher die Fahrzeuge der Fahrzeuggattung betrieben werden. Auch diese Daten können aus den Rohdaten, welche im Feld gewonnen wurden, hergeleitet werden.
Weitere Aspekte, welche die Robustheit eines Fahrzeugs beeinflussen, können durch weitere Randverteilungen Fx berücksichtigt werden. Die einzelnen Randverteilungen in F1, Fk werden, sofern vorhanden, über Korrelationsstrukturen zu einer Gesamtverteilung F1* ' "*k zusammengefasst, welche in einem k-dimensionalen Versuchsraum Xk aufgespannt ist. Ein solcher Versuchsraum Xk ist in Fig. 2 dreidimensional dargestellt.
In einer beispielhaften Robustheitsanalyse wird das Risiko einer fehlerhaften Aktivierung von 24 Fehlercodes bzw. Fehlermeldungen eines Fahrzeugs untersucht. Durch die verschiedenen, an der Feststellung solcher Fehlercodes beteiligten, Komponenten des Fahrzeugs, insbesondere die Sensoren, ergeben sich hierbei durch die Produktions- und Messtoleranzen 38 Zufallsvariablen, also 38 Dimensionen.
Die Berücksichtigung der Alterungseffekte der Komponenten fügt zwei weitere Dimensionen oder Zufallsvariablen hinzu.
Die Nutzung der Fahrzeuge der Fahrzeuggattung wird durch einen repräsentativen Fahrzyklus berücksichtigt. Liegen bei der Nutzung größere Schwankungen vor, kann auch hier eine Zufallsvariable vorgesehen sein. Schließlich werden in dem Beispiel die Umweltbedingungen ebenfalls durch eine Zufallsvariable, insbesondere einen zweidimensionalen Zufallsvektor, berücksichtigt.
In dem Beispiel ergibt sich damit ein Versuchsraum mit 42 Dimensionen.
Eine grafische Darstellung einer Gesamtverteilung, zur besseren Darstellbarkeit auf drei Dimensionen reduziert, ist in Fig. 2 als Verteilungskurve F1* *k gezeigt, welche in dem Versuchsraum Xk aufgespannt ist.
Jede Realisierung oder jede Stichprobe aus der Gesamtverteilung F1* *K entspricht hierbei einem Fahrzeug der Fahrzeuggattung mit einer bestimmten Konfiguration. Eine solche Konfiguration wird beispielsweise festgelegt durch die Eigenschaften der Komponenten des jeweiligen Fahrzeugs, insbesondere deren bestimmte Produktions- und/oder Messtoleranzen, eine Nutzung der Komponenten des Fahrzeugs oder des Fahrzeugs selbst, insbesondere in Form eines bestimmten charakteristischen Fahrzyklus, bestimmte Umgebungsbedingungen, unter welchen das Fahrzeug betrieben wurde, sowie eine gewisse Alterungsstruktur der Komponenten des Fahrzeugs oder des Fahrzeugs selbst.
Je nachdem, welche Eigenschaften der Fahrzeuggattung als Randverteilung gegeben sind bzw. welche Eigenschaften eine Fahrzeuggattung aufweist, und je nachdem, welche Eigenschaften deterministisch festgelegt sind, ergeben sich dabei verschiedene Gesamtverteilungen F1* *k, F'1* "*k, F"1* "*k.
Wie in Fig. 1 und Fig. 2 dargestellt, wird aus der jeweiligen Gesamtverteilung F1* k, F'1* K, F"1* *k eine Gruppe von Fahrzeugen in Arbeitsschritt 101 a, 101 b ausgewählt, welche vorzugsweise eine repräsentative Auswahl an Stichproben aus der jeweiligen Gesamtverteilung F1* *k, F'1* "*K, F"1* *k darstellt.
Alternativ zu einer gesamten Fahrzeuggattung oder einer Gruppe von Fahrzeugen aus der Fahrzeuggattung können auch einzelne Fahrzeuge mit der Erfindung analysiert werden. Hierfür werden vorzugsweise alle verfügbaren Variablen von Eigenschaften in Bezug auf die Komponenten des Fahrzeugs deterministisch festgelegt. In diesem Fall wird ein einzelnes Fahrzeug mit ganz bestimmten Produktionstoleranzen und/oder Messtoleranzen definiert, welches beispielsweise unter Berücksichtigung einer Verteilung der Umgebungsbedingungen betrieben wird oder auch unter Berücksichtigung einer Verteilung von Fahrzyklen betrieben wird. In diesem Fall wird somit ein Fahrzeug mit ganz bestimmten Eigenschaften der Komponenten, aber variablen Eigenschaften einer Nutzung dieses Fahrzeugs, betrachtet. Hierdurch kann mittels der Erfindung eine detaillierte Ursachenanalyse in Bezug auf die Robustheit ausgeführt werden. Insbesondere kann jeweils eine Variable in Bezug auf eine Eigenschaft variiert werden, während alle anderen Variablen festgehalten werden und die Auswirkungen auf die Zielgröße in Bezug auf die Robustheit analysiert werden. Darüber hinaus können Design-Validierungs- Pläne unterstützt werden, indem kritische Anwendungsbereiche identifiziert werden. Schließlich kann durch Verändern der Konfigurationen unter Beobachtung der Entwicklung der Zielgrößen eine Optimierung vorgenommen werden.
Wie eingangs beschrieben, kann eine repräsentative Auswahl aus der jeweiligen Gesamtverteilung p1* *k, F'1* "*k, F"1* "*k durch ein Zufallsexperiment, insbesondere eine Monte-Carlo-Simulation, erstellt werden. Hierbei werden vorzugsweise so viele zufällige Stichproben benötigt, bis die Eigenschaften der theoretischen Verteilung, insbesondere die theoretischen Quantile, mit den Eigenschaften der im Zufallsexperiment resultierenden empirischen Verteilung, insbesondere den empirischen Quantilen, übereinstimmen.
Die jeweilige repräsentative Auswahl wird, wie in Fig. 1 gezeigt, in einem weiteren Arbeitsschritt 102 einem Transformationsmodell TM zugeführt.
Das Transformationsmodell TM weist eine ZuOrdnungsvorschrift, insbesondere eine Funktion oder eine Tabelle, auf, welche zwischen den Konfigurationen des einzelnen Fahrzeugs, der Gruppe aus Fahrzeugen oder der Fahrzeuggattung und einer Zielgröße oder einer Gruppe aus Zielgrößen einen Zusammenhang herstellt. Diese Zielgröße ist vorzugsweise geeignet, die Robustheit des Fahrzeugs, der Gruppe von Fahrzeugen oder der gesamten Fahrzeuggattung zu charakterisieren oder auszudrücken. Insbesondere geben die Resultate dabei eine Wahrscheinlichkeit an, mit welcher ein gewisses Ereignis, oder Ereignisse eintreten. Dies kann beispielsweise das unerwünschte Auftreten eines Fehlercodes oder einer Fehlermeldung sein, oder auch mit welcher Wahrscheinlichkeit eine Emissionsgrenze überschritten oder eingehalten wird. Grundsätzlich kann hierbei aber jede Art von Zielgröße in Bezug auf das Fahrzeug in Bezug auf seine Robustheit analysiert werden. Insbesondere können auch Kombinationen von Auftrittswahrscheinlichkeiten in Bezug auf zwei oder mehrere Zielgrößen analysiert werden. Vorzugsweise ist der Wert der Zielgröße, welche in dem Arbeitsschritt 103 bestimmt wird, daher ein Wahrscheinlichkeitswert.
Der Wert der Zielgröße wird schließlich, wie in Fig. 1 gezeigt, in Arbeitsschritt 104 ausgegeben. Eine Ausgabe kann hierbei sowohl über ein Display erfolgen als auch durch ein Bereitstellen an einer Datenschnittstelle. In Fig. 1 wird beispielhaft eine Ausfallwahrscheinlichkeit und eine Nicht- Ausfallwahrscheinlichkeit ausgegeben.
Das erfindungsgemäße Verfahren 100 zur Analyse einer Robustheit wenigstens eines Fahrzeugs einer Fahrzeuggattung wird vorzugsweise durch ein entsprechendes System 10 ausgeführt. Dieses System 10 weist vorzugsweise Mittel oder Module auf, welche Software technisch oder hardwaretechnisch implementiert sein können. Vorzugsweise weist ein solches System 10 Mittel 1 1 zum Erfassen von Konfigurationen des wenigstens einen Fahrzeugs, Mittel 12 zum Bestimmen eines Werts einer Zielgröße in Bezug auf die Robustheit des wenigstens einen Fahrzeugs mittels des Transformationsmodells TM sowie eine Schnittstelle 13 zum Ausgeben des ermittelten bzw. bestimmten Werts auf. Auch das Treffen einer repräsentativen Auswahl von Konfigurationen, welche erfasst werden, kann vorzugsweise durch weitere Mittel des Systems 10 ausgeführt werden.
Fig. 7 zeigt ein weiteres Ergebnis, welches von dem erfindungsgemäßen Verfahren 100 in Arbeitsschritt 104 ausgegeben werden kann. Hierbei handelt es sich um eine Vielzahl an möglichen Fehlercodes oder Fehlermeldungen, deren Auftrittswahrscheinlichkeit mittels des erfindungsgemäßen Verfahrens bestimmt wurde. Hierzu weist ein erfindungsgemäßes Transformationsmodell TM eine Vielzahl von ZuOrdnungsvorschriften auf, welche den Konfigurationen, welche einem Fahrzeug, einer Gruppe von Fahrzeugen einer Fahrzeuggattung oder der gesamten Fahrzeuggattung eine Zielgröße in Bezug auf die Robustheit, im vorliegenden Fall eine Wahrscheinlichkeit, zuordnen.
Das Transformationsmodell TM, welches in den erfindungsgemäßen Verfahren 100, 200 zum Einsatz kommt, beruht vorzugsweise auf einer Betriebsverhalten- Simulation einer Vielzahl von Fahrzeugen der Fahrzeuggattung.
Die Betriebsverhalten-Simulation wird vorzugsweise mittels eines Fahrzeugmodells FM durchgeführt, welches das Betriebsverhalten jeweils eines Fahrzeugs der Fahrzeuggattung simuliert.
Das Fahrzeugmodell FM, welches den Antriebsstrang der Fahrzeuge der Fahrzeuggattung oder das gesamte Fahrzeug oder eine sonstige Baugruppe abbildet, wird vorzugsweise auf einem virtuellen Prüfstand betrieben, der eine sogenannte Hardware in the Loop (HiL)-Simulation durchführt.
Weitere Möglichkeiten zur Generierung von Messdaten oder simulierten Messdaten aus einer Betriebsverhalten-Simulation, anhand welcher das Transformationsmodell TM gebildet werden kann, sind Software in the Loop (SiL), Model in the Loop (MiL), Versuch an einem Komponentenprüfstand, an einem Motorprüfstand, an einer Fahrzeugrolle, an einem realen Fahrzeug, an einem Powertrain Prüfstand, oder eine Auswertung kombinierter Möglichkeiten zur Betriebsverhalten-Simulation, insbesondere Big Data.
Der virtuelle Prüfstand ist in Fig. 6 durch einen Computer 20 dargestellt. Auf diesem kann vorzugweise ein Verfahren zur Analyse einer Robustheit einer Fahrzeuggattung 200 ausgeführt werden.
In einem Arbeitsschritt 202 des Verfahrens 200 wird vorzugsweise ein Betriebsverhalten von Fahrzeugen der Fahrzeuggattung simuliert. Ziel dieser Betriebsverhalten-Simulation ist es dabei, Abhängigkeiten zwischen verschiedenen Konfigurationen der Fahrzeuggattung und den Zielgrößen, welche eine Robustheit einer Komponente der Fahrzeuggattung oder der Fahrzeuge der Fahrzeuggattung charakterisieren, herzustellen, mithin die ZuOrdnungsvorschriften zwischen den Konfigurationen und den Zielgrößen empirisch zu entwickeln. Hieraus kann in einem nächsten Schritt das Transformationsmodell TM abgeleitet werden.
Die zu identifizierenden ZuOrdnungsvorschriften decken vorzugsweise den gesamten Versuchsraum Xk ab.
Um nicht den gesamten Versuchsraum Xk, das heißt jeden einzelnen Betriebspunkt des Versuchsraums Xk vermessen oder zumindest eine Rastervermessung des Versuchsraums Xk durchführen zu müssen, ist erfindungsgemäß vorzugsweise vorgesehen, innerhalb der Grenzen der möglichen Schwankungen der Eigenschaften der Gesamtverteilung F1* *k einen statistischen Versuchsplan (Design of Experiments - DOE) in einem Arbeitsschritt 201 anzuwenden. Mittels dieses Arbeitsschritts 201 , welcher in Fig. 2 dargestellt ist, kann der gesamte Versuchsraum Xk auf Zusammenhänge zu einer oder mehreren Zielgrößen in Bezug auf die Robustheit der Fahrzeuge mit einem überschaubaren Simulationsaufwand untersucht werden.
Zur statistischen Versuchsplanung können hierbei an sich bekannte Verfahren zum Einsatz kommen. Beispielsweise kann, wie weiter oben beschrieben, eine statistische Versuchsplanung nach Jones und Nachtsheim, Journal of Quality Technology, Vol. 43, pp. 1 -15, 201 1 zum Einsatz kommen. Insbesondere kann die Betriebsverhalten-Simulation, wie ebenfalls weiter oben beschrieben, in mehrere Simulationsabschnitte aufgeteilt werden.
Vorzugsweise wird bei der erfindungsgemäß angewandten statistischen Versuchsplanung in einem Simulationsabschnitt 1 ein Sensitivitäts-Screening durchgeführt, wobei jede Eigenschaft an drei Punkten des Versuchsraums Xk untersucht wird, um einen ersten Eindruck vom Verhalten der einzelnen Eigenschaften auf die Zielgrößen zu erhalten.
In einem Simulationsabschnitt 2 wird ein raumfüllendes Design von Stichproben erstellt, welches es ermöglicht, die Sensitivität zwischen den Eigenschaften und den Zielgrößen detailliert auf der Grundlage von Messungen zu untersuchen.
Für jene Bereiche, welche durch raumfüllendes Design nicht gut abgedeckt wurden bzw. in welchen in dem Simulationsabschnitt 3 starke Veränderungen festgestellt werden, wird in einem dritten Arbeitsschritt ein weiteres raumfüllendes Design erstellt und die daraus resultierenden Stichproben in der Betriebsverhalten-Simulation angefahren, um eine möglichst genaue ZuOrdnungsvorschrift ermitteln zu können.
In dem vorliegenden Ausführungsbeispiel werden vorzugsweise in einem Versuchsraum Xk mit 42 Dimensionen auf diese Weise 600 Konfigurationen in Arbeitsschritt 201 identifiziert, deren Betriebsverhalten-Simulation mittels des Fahrzeugsmodells FM in Arbeitsschritt 203 ausreichend Informationen bereitstellt, um ZuOrdnungsvorschriften f(Xk) zwischen den Konfigurationen und den Zielgrößen, welche die Robustheit der Komponenten oder der Fahrzeuge oder der Fahrzeuggattung charakterisieren, zu ermitteln.
Die ZuOrdnungsvorschriften f(Xk) können letztendlich durch eine Regression in Arbeitsschritt 204 ermittelt werden. Vorzugsweise kommen für die Regression statistische Regressionsverfahren zum Einsatz.
Die empirisch ermittelten ZuOrdnungsvorschriften können schließlich zu einem empirischen Transformationsmodell TM zusammengefügt werden, welches, wenn dieses in Arbeitsschritt 205 angewendet wird, geeignet ist, eine Zielgröße in Bezug auf die Robustheit der Fahrzeugflotte in Arbeitsschritt 206a auszugeben. Alternativ oder zusätzlich kann auch das Transformationsmodell selbst in Arbeitsschritt 206b ausgegeben werden. Das auf der Grundlage der Gesamtverteilung F1* "*k ermittelte Transformationsmodell TM eignet sich dazu, auch andere, zweite, Gesamtverteilungen F'1* "*k, F1 * *k in Bezug auf dieselbe Fahrzeuggattung zu untersuchen. Vorzugsweise liegen die Schwankungsbereiche der Eigenschaften dieser anderen Gesamtverteilungen F'1* "*k, F1 *' "*k innerhalb der Schwankungsbereiche, die in Bezug auf die erste Verteilung (F1*-* ) vorgegeben sind.
Entsprechend weist der Computer oder ein anderes System 20 Mittel oder Module auf, welche hardwaretechnisch oder softwaretechnisch implementiert sind und eingerichtet sind, um das Verfahren 200 auszuführen. So weist der Computer oder das System 20 Mittel zum Verfassen von Konfigurationen einer Vielzahl von Fahrzeugen der Fahrzeuggattung auf. Dieses oder diese Mittel können insbesondere als Datenschnittstelle oder als Benutzerschnittstelle eingerichtet sein, so dass die Konfigurationen eingelesen werden können. Des Weiteren weist der Computer oder das System 20 Mittel zum Simulieren von Betriebsverhalten der Vielzahl von Fahrzeugen mit jeweils verschiedener Konfiguration, Mittel 21 eines Fahrzeugmodells FM der Fahrzeuggattung, Mittel 22 zum Durchführen einer Regression auf der Grundlage des simulierten Betriebsverhaltens der Vielzahl von Fahrzeugen sowie Mittel 23 zum Anwenden eines Transformationsmodells TM auf der Grundlage der Regression, auf. Schließlich weist der Computer oder das System 20 eine weitere Schnittstelle auf, eingerichtet, um den Wert der Zielgröße in Bezug auf die Robustheit und/oder das Transformationsmodell TM an sich auszugeben. Auch das Treffen einer Auswahl von Konfigurationen mittels statistischer Versuchsplanung, welche erfasst werden, kann vorzugsweise durch weitere Mittel des Systems 10 ausgeführt werden.
Bei den im Vorhergehenden beschriebenen Ausführungsbeispielen handelt es sich lediglich um Beispiele, die den Schutzbereich, die Anwendung und den Aufbau der erfindungsgemäßen Verfahren und Systeme in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindestens einem Ausführungsbeispiel gegeben, wobei diverse Änderungen, insbesondere im Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und dessen äquivalenten Merkmalskombinationen ergibt.
Bezugszeichenliste
TM Transformationsmodell
FM Fahrzeugmodell
F1 Randverteilung
Fk k-te Randverteilung
Xk k-dimensionaler Verteilungsraum
/(Xk) ZuOrdnungsvorschrift
10 System zur Analyse einer Robustheit wenigstens eines Fahrzeugs Fahrzeuggattung
1 1 Mittel zum Erfassen
12 Mittel zum Bestimmen
13 Schnittstelle
20 System zur Analyse einer Robustheit einer Fahrzeuggattung
21 Mittel zum Simulieren
22 Mittel zum Durchführen
23 Mittel zum Anwenden
24 Schnittstelle

Claims

Patentansprüche
Verfahren (100) zur Analyse einer Robustheit wenigstens eines Fahrzeugs einer Fahrzeuggattung, welches eine Vielzahl an Komponenten aufweist, folgende Arbeitsschritte aufweisend:
Erfassen (102) von Konfigurationen des wenigstens einen Fahrzeugs, welche durch wenigstens eine Eigenschaft wenigstens einer Komponente des Fahrzeugs charakterisiert sind;
Bestimmen (103) eines Werts einer Zielgröße in Bezug auf die Robustheit des wenigstens einen Fahrzeugs mittels eines Transformationsmodells (TM), welches eine ZuOrdnungsvorschrift (f(Xk)) zwischen Konfigurationen des wenigstens einen Fahrzeugs und der einen Zielgröße aufweist, wobei das Transformationsmodell (TM) auf einer Regression bezüglich Simulationergebnissen beruht, welche aus einer Betriebsverhalten-Simulation einer Vielzahl von Fahrzeugen der Fahrzeuggattung mit jeweils verschiedenen Konfigurationen mittels eines Fahrzeugmodells (FM) der Fahrzeuggattung resultieren; und
Ausgeben (104) des Werts.
Verfahren (200) zur Analyse einer Robustheit einer Fahrzeuggattung, deren Fahrzeuge eine Vielzahl an Komponenten aufweisen, folgende Arbeitsschritte aufweisend:
Erfassen (202) von Konfigurationen einer Vielzahl von Fahrzeugen der Fahrzeuggattung, welche jeweils durch wenigstens eine Eigenschaft wenigstens einer Komponente des Fahrzeugs charakterisiert sind;
Simulieren (203) von Betriebsverhalten der Vielzahl von Fahrzeugen mit jeweils verschiedener Konfiguration mittels eines Fahrzeugmodells (FM) der Fahrzeuggattung, wobei jede Konfiguration wenigstens eine Eigenschaft einer Komponente wenigstens eines Fahrzeugs der Fahrzeuggattung charakterisiert;
Durchführen (204) einer Regression auf der Grundlage des simulierten Betriebsverhaltens der Vielzahl von Fahrzeugen; und
Anwenden (205) eines Transformationsmodells (TM) auf der Grundlage der Regression, wobei das Transformationsmodell (TM) eine ZuOrdnungsvorschrift (f(Xk)) zwischen Konfigurationen und wenigstens eine Zielgröße umfasst, wobei das Transformationsmodell (TM) eingerichtet ist, auf der Grundlage von Konfigurationen der
Fahrzeuggattung einen Wert einer Zielgröße in Bezug auf die Robustheit der Fahrzeuggattung auszugeben (206).
Verfahren nach Anspruch 1 oder 2, wobei die Konfigurationen durch wenigstens eine weitere Eigenschaft, insbesondere eine Nutzung der wenigstens einen Komponente und/oder des wenigstens einen Fahrzeugs, insbesondere mittels charakteristischer Fahrzyklen, und/oder wenigstens eine Umgebungsbedingung, unter welcher eine Nutzung erfolgt, charakterisiert werden.
Verfahren nach einem der vorhergehenden Ansprüche, des Weiteren folgenden Arbeitsschritt aufweisend:
Erzeugen (101 a) einer repräsentativen Auswahl von Fahrzeugen einer Gruppe von Fahrzeugen der Fahrzeuggattung oder einer repräsentativen Auswahl von Fahrzeugen der gesamten Fahrzeuggattung, deren Konfigurationen erfasst werden.
5. Verfahren nach Anspruch 4, wobei die Nutzung durch Lastmerkmale und Dynamikmerkmale gekennzeichnet ist.
6. Verfahren nach einem der Ansprüche 3 bis 5, wobei die repräsentative Auswahl auf einer Vielzahl von Zufallsexperimenten, insbesondere einer
Monte-Carlo-Simulation, beruht.
Verfahren nach einem der vorhergehenden Ansprüche, wobei für eine Konfiguration eine Vielzahl an Eigenschaften einer Vielzahl an Komponenten erfasst werden und das Transformationsmodell (TM) geeignet ist, aus dieser Konfiguration einen oder wenige Zielgrößenwerte in Bezug auf das wenigstens eine Fahrzeug zu bestimmen.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Simulation oder das Simulieren auf einer Auswahl an Konfigurationen beruht, welche mittels statistischer Versuchsplanung (DoE) innerhalb von Grenzen einer ersten Verteilung (F -*k) aller möglichen Konfigurationen ausgewählt (201 ) wird.
Verfahren nach einem der Ansprüche 3 bis 8, wobei die repräsentative Auswahl innerhalb von Grenzen einer zweiten Verteilung (Ffl* - *k) ausgewählt ist, bei welcher die Schwankungsbereiche der Eigenschaften vorzugsweise innerhalb der Schwankungsbereiche liegen, die bei der ersten Verteilung (F -*k) vorgegeben sind. Verfahren nach Anspruch 8 oder 9, wobei die Zahl der Dimensionen (k) der ersten und/oder zweiten Verteilung (F 1* - *fe ) f"i* - *fc) gleich der Anzahl der Eigenschaften ist, welche in den Konfigurationen berücksichtigt ist.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Zielgröße wenigstens eine aus der folgenden Gruppe an Zielgrößen ist: Emission des Fahrzeug, insbesondere Emission im Feld, eine Fehlermeldung, insbesondere eine Reparaturmeldung oder eine Sicherheitsmeldung in Bezug auf eine Fahrzeugkomponente, insbesondere eine Fahrwerkskomponente, eine
Antriebsstrangkomponente, ein Fahrerassistenzsystem, einen Servoantrieb, eine Adaption von Mess- und/oder Produktionstoleranzen in einer Lernphase, oder die Finale Beladung eine Katalysators am Ende einer Vorkonditionierungsphase.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die wenigstens eine Eigenschaft wenigstens einer Komponente des Fahrzeugs aus der folgenden Gruppe ausgewählt ist: eine konstruktive Eigenschaft der wenigstens einen Komponente, eine Kalibrierung einer Steuerung der wenigstens einen Komponente, eine Mess- und/oder Produktionstoleranz der wenigstens einen Komponente, eine Alterung der wenigstens einen Komponente und/oder des wenigstens einen Fahrzeugs.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die wenigstens eine Eigenschaft durch parametrische oder nicht- parametrische Wahrscheinlichkeitsverteilungen (F1, F2, F3, ... , Fk) und/oder deren Korrelationsgrößen angegeben ist. Verfahren nach einem der vorhergehenden Ansprüche, wobei die wenigstens eine Eigenschaft und/oder weitere Eigenschaft solange verändert wird, bis der Wert einer Zielgröße oder eine aus Zielgrößen gebildete Zielfunktion auf einem Optimum, insbesondere absoluten Optimum, liegt, wobei vorzugsweise die übrigen Eigenschaften festgelegt sind.
Computerprogramm, das Anweisungen umfasst, welche, wenn sie von einem Computer ausgeführt werden, diesen dazu veranlassen, die Schritte eines Verfahrens gemäß einem der Ansprüche 1 bis 14 auszuführen.
Computer-lesbares Medium, auf dem ein Computerprogramm nach Anspruch 15 gespeichert ist.
System (10) zur Analyse einer Robustheit wenigstens eines Fahrzeugs einer Fahrzeuggattung, welches eine Vielzahl an Komponenten aufweist, folgende Arbeitsschritte aufweisend:
Mittel (1 1 ) zum Erfassen von Konfigurationen des wenigstens einen Fahrzeugs, welche durch wenigstens eine Eigenschaft wenigstens einer Komponente des Fahrzeugs charakterisiert sind;
Mittel (12) zum Bestimmen eines Werts einer Zielgröße in Bezug auf die Robustheit des wenigstens einen Fahrzeugs mittels eines Transformationsmodells (TM), welches eine ZuOrdnungsvorschrift ((/(Xfe)) zwischen Konfigurationen des wenigstens einen Fahrzeugs und der einen Zielgröße aufweist, wobei das Transformationsmodell (TM) auf einer Regression bezüglich Simulationergebnissen beruht, welche aus einer Betriebsverhalten-Simulation einer Vielzahl von Fahrzeugen der Fahrzeuggattung mit jeweils verschiedenen Konfigurationen mittels eines Fahrzeugmodells (FM) der Fahrzeuggattung resultieren; und eine Schnittstelle (13) zum Ausgeben des Werts.
18. System (20) zur Analyse einer Robustheit eines Fahrzeugs einer Fahrzeuggattung, welches eine Vielzahl an Komponenten aufweist, folgende Arbeitsschritte aufweisend: Mittel (21 ) zum Erfassen von Konfigurationen einer Vielzahl von
Fahrzeugen der Fahrzeuggattung, welche jeweils durch wenigstens eine Eigenschaft wenigstens einer Komponente des Fahrzeugs charakterisiert sind;
Mittel (21 ) zum Simulieren von Betriebsverhalten der Vielzahl von Fahrzeugen mit jeweils verschiedener Konfiguration mittels eines
Fahrzeugmodells (FM) der Fahrzeuggattung, wobei jede Konfiguration wenigstens eine Eigenschaft einer Komponente wenigstens eines Fahrzeugs der Fahrzeuggattung charakterisiert;
Mittel (22) zum Durchführen einer Regression auf der Grundlage des simulierten Betriebsverhaltens der Vielzahl von Fahrzeugen; und
Mittel (23) zum Anwenden eines Transformationsmodells (TM) auf der Grundlage der Regression, wobei das Transformationsmodell (TM) eine ZuOrdnungsvorschrift (f(Xk)) zwischen Konfigurationen und wenigstens einer Zielgröße umfasst, wobei das Transformationsmodell (TM) eingerichtet ist, auf der Grundlage von Konfigurationen der
Fahrzeuggattung einen Wert einer Zielgröße in Bezug auf die Robustheit der Fahrzeuggattung auszugeben.
PCT/EP2017/057555 2017-03-30 2017-03-30 Robustheitsanalyse bei fahrzeugen Ceased WO2018177526A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/EP2017/057555 WO2018177526A1 (de) 2017-03-30 2017-03-30 Robustheitsanalyse bei fahrzeugen

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2017/057555 WO2018177526A1 (de) 2017-03-30 2017-03-30 Robustheitsanalyse bei fahrzeugen

Publications (1)

Publication Number Publication Date
WO2018177526A1 true WO2018177526A1 (de) 2018-10-04

Family

ID=58609348

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2017/057555 Ceased WO2018177526A1 (de) 2017-03-30 2017-03-30 Robustheitsanalyse bei fahrzeugen

Country Status (1)

Country Link
WO (1) WO2018177526A1 (de)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220068046A1 (en) * 2018-12-20 2022-03-03 Zf Friedrichshafen Ag Method for Determining Tolerances of Components or Assemblies
CN116400663A (zh) * 2023-02-27 2023-07-07 东风汽车有限公司东风日产乘用车公司 车辆测试标定方法、电子设备及存储介质
DE102022209337A1 (de) * 2022-09-08 2024-03-14 Psa Automobiles Sa Robustheit eines Fahrerassistenzsystems
CN117949225A (zh) * 2024-03-26 2024-04-30 长春汽车工业高等专科学校 一种汽车排放量检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030009317A1 (en) * 2001-06-18 2003-01-09 Ford Motor Company Method and system for optimizing the design of a mechanical system
FR2906052A1 (fr) * 2006-09-20 2008-03-21 Peugeot Citroen Automobiles Sa Procede de modelisation d'un systeme complexe tel un moteur a combustion d'un vehicule automobile
EP3038026A1 (de) 2014-12-24 2016-06-29 General Electric Company Verfahren und system zur automatischen robustheitsbeurteilung und unterbrechungsverwaltung für flugoperationen kommerzieller fluggesellschaften

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030009317A1 (en) * 2001-06-18 2003-01-09 Ford Motor Company Method and system for optimizing the design of a mechanical system
FR2906052A1 (fr) * 2006-09-20 2008-03-21 Peugeot Citroen Automobiles Sa Procede de modelisation d'un systeme complexe tel un moteur a combustion d'un vehicule automobile
EP3038026A1 (de) 2014-12-24 2016-06-29 General Electric Company Verfahren und system zur automatischen robustheitsbeurteilung und unterbrechungsverwaltung für flugoperationen kommerzieller fluggesellschaften

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BITTERMANN A ET AL: "Emissionsauslegung des dieselmotorischen Fahrzeugantriebs mittels DoE und Simulationsrechnung", MTZ - MOTORTECHNISCHE ZEITSCHRIFT, SPRINGER, vol. 65, no. 6, June 2004 (2004-06-01), pages 466 - 474, XP001519192, ISSN: 0024-8525 *
JONES; NACHTSHEIM, JOURNAL OF QUALITY TECHNOLOGY, vol. 43, 2011, pages 1 - 15
PIFFL MARTIN ET AL: "The depth-design: An efficient generation of high dimensional computer experiments", JOURNAL OF STATISTICAL PLANNING AND INFERENCE, vol. 164, 16 March 2015 (2015-03-16), pages 10 - 26, XP029156304, ISSN: 0378-3758, DOI: 10.1016/J.JSPI.2015.03.002 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220068046A1 (en) * 2018-12-20 2022-03-03 Zf Friedrichshafen Ag Method for Determining Tolerances of Components or Assemblies
DE102022209337A1 (de) * 2022-09-08 2024-03-14 Psa Automobiles Sa Robustheit eines Fahrerassistenzsystems
CN116400663A (zh) * 2023-02-27 2023-07-07 东风汽车有限公司东风日产乘用车公司 车辆测试标定方法、电子设备及存储介质
CN117949225A (zh) * 2024-03-26 2024-04-30 长春汽车工业高等专科学校 一种汽车排放量检测方法及系统
CN117949225B (zh) * 2024-03-26 2024-06-11 长春汽车工业高等专科学校 一种汽车排放量检测方法及系统

Similar Documents

Publication Publication Date Title
AT522625B1 (de) Verfahren zur Sicherheitsüberprüfung einer Technikeinheit
AT520827B1 (de) Verfahren zum Bestimmen eines Fahrzeugparameters eines Fahrzeugdatensatzes eines Fahrzeugs und Verwendung des Fahrzeugparameters an einem Prüfstand
DE102008040461A1 (de) Verfahren zum Bestimmen fehlerhafter Komponenten in einem System
DE102011081346A1 (de) Verfahren zum Erstellen einer Funktion für ein Steuergerät
AT523093A1 (de) Verfahren und System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung
WO2018177526A1 (de) Robustheitsanalyse bei fahrzeugen
DE102019124018A1 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme
WO2021058223A1 (de) Verfahren zur effizienten, simulativen applikation automatisierter fahrfunktionen
DE102021109126A1 (de) Verfahren zum Testen eines Produkts
DE102021109129A1 (de) Verfahren zum Testen eines Produkts
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
AT523850A4 (de) Computergestütztes Verfahren und Vorrichtung zur wahrscheinlichkeitsbasierten Geschwindigkeitsprognose für Fahrzeuge
WO2017081215A1 (de) System und verfahren zur kalibrierung einer fahrzeugkomponente
DE102021109130A1 (de) Verfahren zum Testen eines Produkts
EP3382619A1 (de) Robustheitsanalyse bei fahrzeugen
EP3622451A1 (de) Produktreifebestimmung eines technischen systems und insbesondere eines autonom fahrenden fahrzeugs
DE102017205437A1 (de) Robustheitsanalyse bei Fahrzeugen
DE102023000357B3 (de) Verfahren zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, Computerprogrammprodukt, computerlesbares Speichermedium sowie elektronische Recheneinrichtung
DE102019219067A1 (de) Verfahren zur automatischen Qualifizierung eines virtuellen Modells für eine Kraftfahrzeugkomponente
DE102021115103B3 (de) Verfahren, Vorrichtung, Fahrzeug und Computerprogramm zum Modellieren und Überwachen eines Aufheizverhaltens eines Fahrzeugbauteils
WO2014122208A1 (de) Verfahren zum prüfen oder identifizieren einer modellstruktur
DE102022207179A1 (de) Vorrichtung und Verfahren zur Prüfung von Bauteilen auf Vibrationsermüdung in einem Vibrationsprüfgerät
DE102020207921A1 (de) Verfahren zum Einrichten eines Fahrzeugsimulationsmodells
WO2023169731A1 (de) Verfahren zum prüfen von obd-relevanz eines eingangssignals
DE102020215387A1 (de) Verfahren zum Optimieren eines Testsatzes zur automatischen Qualifizierung eines virtuellen Modells für eine Kraftfahrzeugkomponente

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: 17718833

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17718833

Country of ref document: EP

Kind code of ref document: A1