DE10208205A1

DE10208205A1 - Verfahren zur Steuerung/Regelung optimaler Einkuppel-Verläufe beim Anfahren und Wiedereinkupplen nach Gangwechseln

Info

Publication number: DE10208205A1
Application number: DE10208205A
Authority: DE
Inventors: Oliver Amendt
Original assignee: LuK Lamellen und Kupplungsbau Beteiligungs KG; LuK Lamellen und Kupplungsbau GmbH
Current assignee: Schaeffler Technologies AG and Co KG
Priority date: 2001-02-27
Filing date: 2002-02-26
Publication date: 2002-09-05
Anticipated expiration: 2022-02-27
Also published as: DE10208205B4

Abstract

Gemäß dem Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe beim Anfahren und Wiedereinkuppeln nach Gangwechseln für Fahrzeuge mit elektronischer Getriebesteuerung und/oder einem automatisierten Handschaltgetriebe werden neuronale Netzwerke eingesetzt.

Description

Die Erfindung bezieht sich auf ein Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe beim Anfahren und Wiedereinkuppeln nach Gangwechseln für Fahrzeuge mit elektronischer Getriebesteuerung und/oder einem automati sierten Handschaltgetriebe gemäss dem Oberbegriff des Patentanspruchs 1.

Trotz fortschreitender Entwicklung im Bereich der Getriebetechnik, Getriebe steuerung und Kupplungstechnik besteht heutzutage Bedarf an einer optimalen Steuerung bzw. Regelung der Einkuppelverläufe beim Anfahren und der Wie dereinkuppelverläufe nach dem Gangwechseln.

Die der vorliegenden Erfindung zugrundeliegende Aufgabe besteht demnach darin, ein Verfahren anzugeben, welches optimale Einkuppelverläufe beim An fahren und Wiedereinkuppelverläufe nach Gangwechseln gewährleistet.

Diese Aufgabe wird durch die Merkmale des kennzeichnenden Teils des Pa tentanspruchs 1 gelöst. Weitere Ausgestaltungen und Varianten sind in den Unteransprüchen angegeben.

Erfindungsgemäß wird vorgeschlagen, zur Optimierung der Einkuppel- bzw. Wiedereinkuppelverläufe neuronale Netzwerke einzusetzen, deren Grundprin zipien und Eigenschaften im folgenden kurz beschrieben werden.

Ein neuronales Netzwerk ist ein datenverarbeitendes System, welches, wie das menschliche Gehirn, aus einer Vielzahl von einfach aufgebauten Prozessoren besteht, den sogenannten Units. Dabei hängt das Ausgabesignal eines jeden Units von einer Vielzahl von Ausgabesignalen anderer Units ab. Neuronale Netzwerke bilden ganz allgemein ein n-dimensionales Eingabesignal auf ein m-dimensionales Ausgabesignal ab. Die zu verarbeitende Information wird in den hier betrachteten Backpropagation-Netzwerken von einer Schicht von Inputu nits aufgenommen. Die Inputunits verarbeiten diese Eingabesignale und geben sie über gewichtete Verbindungen (sog. Connections) an eine oder mehrere verdeckte Neuronenschichten weiter (sog. hidden layer).

Von den hidden layer werden die Signale schließlich über weitere gewichtete Verbindungen an eine Schicht von Outputunits weitergeleitet, die ihrerseits das Ausgangssignal des neuronalen Netzwerkes generieren.

Innerhalb eines jeden Units eines neuronalen Netzwerkes finden die drei Verar beitungsschritte Propagierung, Aktivierung und Ausgabe statt.

Beim Propagierungsschritt wird zunächst das Eingabesignal net des Units i bestimmt. Hierzu werden die eingehenden Ausgabesignale der vorgeschalteten Units mit den Gewichtungsfaktoren w_i,j multipliziert und anschließend aufsum miert:

Mit Hilfe der Aktivierungsfunktion wird die innere Erregung a einer unit be stimmt. Üblicherweise wird bei Backpropagation Netzwerken eine sigmoide Ak tivierungsfunktion verwendet:

Die so ermittelte Ausgabefunktion bestimmt schließlich das Ausgabesignal o_i des Units i. Bei Backpropagation-Netzwerken findet hier die Identitätsfunktion Verwendung:

o_i = a_i

Da die Signalverarbeitung innerhalb der einzelnen Units vorgegebenen Funkti onen folgt, ist die Art und Weise, wie ein neuronales Netzwerk ein Eingangssig nal auf ein Ausgabesignal abbildet, durch die Netzwerktopologie (Anzahl der Units, Verteilung der Units auf verschiedene Schichten) sowie die Verbindungs gewichte w_i,j festgelegt.

Die Netztopologie ist vom Anwender empirisch zu ermitteln; dahingegen wer den die Verbindungsgewichte mittels Trainingsverfahren bestimmt und in der Konnektionsmatrix W zusammengefaßt. Bei entsprechender Numerierung der Units beginnend bei der Eingabeschicht eines Backpropagation-Netzwerkes nimmt die Konnektionsmatrix die Form einer unteren Dreiecksmatrix an.

Die Art und Weise, wie das Netzwerk ein Eingabesignal auf das gewünschte Ausgabesignal abbilden soll, wird dem neuronalen Netz mittels sogenannter Trainingsmuster übermittelt. Jedes Trainingsmuster (Index µ) besteht hierbei aus einem Eingangssignal

sowie einem Ausgangssignal, welches der gewünschten Reaktion des Netz werkes auf das Eingabesignal entspricht:

Der Satz an P Traningsmustern (sog. Trainingsbasis) ist dabei so zu wählen, dass er die zu erlernende Abbildungsfunktion U = h(Y) ausreichend genau cha rakterisiert. Die Aufgabe des Trainingsverfahrens besteht nun darin, die Verbin dungsgewichte w_i,j innerhalb der Konnektionsmatrix W so zu bestimmen, dass sämtliche p Eingabemuster der Trainingsbasis auf die entsprechenden Ausga bemuster abgebildet werden. Zur Beurteilung des Lernfortschritts kann der ab solute quadratische Fehler

herangezogen werden. Der Fehler E berücksichtigt für alle p Muster der Trai ningsbasis die Abweichungen der Ausgabesignale o_λ aller m Units der Ausga beschicht von den in der Trainingsbasis vorgegebenen Sollreaktionen u_λ des Netzwerkes.

Das Backpropagation - Trainingsverfahren stellt ein rekursives Verfahren zur Optimierung der Gewichtungsfaktoren w_i,j dar. Bei jedem Lernschritt wird nach dem Zufallsprinzip ein Eingabemuster Y^µ der Trainingsbasis ausgewählt und durch das Netzwerk propagiert (Forwardpropagation). Aus dem vom Netzwerk generierten Ausgabesignal wird nach (Gl. 1) mit der in der Trainingsbasis vorge gebene Sollreaktion U^µ der Fehler E^µ auf das präsentierte Eingabemuster bestimmt.

Die Änderung der einzelnen Verbindungsgewichte w_i,j nach der Präsentation des µ-ten Trainingsmusters ist dabei proportional zur negativen partiellen Ab leitung des Fehlers E^µ nach dem Verbindungsgewicht w_i,j (sog. "Gradienten abstiegsverfahren")

Mit Hilfe der Kettenregel können aus der partiellen Ableitung (Gl. 2) die als Backpropagation-Regel bekannten Adaptionsvorschriften für die Elemente der Konnektionsmatrix bei der Präsentation des µ-ten Trainingsmuster hergeleitet werden.

Der Fehler wird dabei beginnend bei den Outputunits in umgekehrter Richtung durch das Netzwerk propagiert (Backpropagation) und gewissermaßen nach dem Verursacherprinzip auf die einzelnen Units aufgeteilt. Der Proportionali tätsfaktor s wird als Lernrate bezeichnet.

Eine Grundregel, welche das Übertragungsverhalten neuronaler Netzwerke recht gut beschreibt, lautet: "Ähnliche Eingabesignale erzeugen ähnliche Aus gabesignale". Es ist nämlich nicht zu erwarten, dass sich das Ausgabeverhalten bei kontinuierlicher Änderung der Eingabesignale schlagartig (unerwartet) än dern wird.

Während der Trainingsphase wird dem neuronalen Netzwerk eine begrenzte Anzahl an Trainingsmustern präsentiert, welche die zu erlernende Abbildung ausreichend genau charakterisieren. Wird dem Netzwerk anschließend ein Ein gabesignal präsentiert, welches nicht exakt mit einem Muster der Trainingsba sis übereinstimmt, so "inter-" bzw. "extrapoliert" das Netzwerk im Rahmen der erlernten Abbildungsfunktion zwischen den Trainingsmustern. Diese Eigen schaft wird als Generalisierungsfähigkeit der Netzwerke bezeichnet.

Eine weitere charakteristische Eigenschaft neuronaler Netzwerke, durch welche sich neuronale Netzwerke von anderen Systemen abheben, ist auch deren Fehlertoleranz. Da neuronale Netze sinnvollerweise eine Vielzahl von (teilweise redundanten) Eingangssignalen auf das/die gewünschten Ausgabesignal/e abbilden, erweisen sich derartige Netzwerke meist recht robust gegenüber Ausfall einzelner Eingangssignale bzw. gegenüber Signalrauschen.

Eine sehr interessante Eigenschaft neuronaler Netzwerke ist sicherlich auch deren Lernfähigkeit. Prinzipiell ist es daher möglich, ein einmal trainiertes Sys tem während des Betriebes permanent "nachlernen" zu lassen.

Erfindungsgemäß werden in einem ersten Schritt neuronale Netzwerke zum Erlernen optimaler Einkuppelverläufe eingesetzt.

Zum Erlernen optimaler Einkuppelverläufe - beispielsweise beim Anfahren - wird zunächst eine Trainingsbasis erstellt. Hierfür können Messungen oder Si mulationsergebnisse optimaler Einkuppelvorgänge herangezogen werden. Eine Trainingsbasis könnte z. B. gemäß der Erfindung aus jeweils einer optimaler Anfahrt mit 10°, 30°, 50°, 70° und 90° Fahrpedalstellungen bestehen. Zusätzlich können die unterschiedlichen Fahrpedalstellungen mit verschiedenen Betäti gungsgeschwindigkeiten kombiniert werden. (z. B. Knallstart entspricht einer Anfahrt mit 90° Fahrpedalstellung und maximaler Betätigungsgeschwindigkeit).

Die zugrundegelegten Messungen/Simulationen werden auf Basis der Inter ruptzeit des verwendeten Steuergerätes so aufbereitet, dass jedes Trainings muster die Abbildung der Meßsignale zum Interruptzeitpunkt t_k auf das Kupp lungssollmöment zum Zeitpunkt des folgenden Interrupts t_k+1 darstellt.

Das Netzwerk lernt auf diese Weise, die aktuellen Meßsignale auf das Kupp lungssollmoment des kommenden Interrupts abzubilden.

Als Eingangssignale der Trainingsbasis werden erfindungsgemäß sämtliche aussagekräftige Meßsignale wie z. B.

- Drosselklappenstellung
- Pedalwert
- Motordrehzahl
- Getriebeeingangsdrehzahl
- Motormoment
- Gang
- Leerlaufschalter
- Bremslichtschalter
- Kickdown-Schalter, etc.

verwendet.

Im Rahmen einer Variante der vorliegenden Erfindung ist vorgesehen, zusätzli che Änderungen verschiedener Eingangssignale mitzuverwerten, wie bei spielsweise die Geschwindigkeit der Fahrpedalbetätigung. In diesem Fall kön nen mit Hilfe von Zeitfenstern auch weiter zurückliegende Meßwerte der ent sprechenden Signale verwendet werden. Die zu erlernende Abbildungsfunktion des neuronalen Netzwerkes bekommt folglich folgende Struktur:

MR_SOLL (t_k+1) = h(PW)(t_k), PW (t_k-1), M_Motor (t_k), . . ., LL_Schalter(t_k), . . .) Gl. 4

Gemäß der Erfindung wird die Eigenschaft "Lernfähigkeit" neuronaler Netzwer ke genutzt, um eine Optimierung des Netzwerkes während des Fahrbetriebes durchzuführen. Auf diese Weise können Systemveränderungen wie beispiels weise Verschleiß, Alterung, etc. berücksichtigt bzw. kompensiert werden.

In diesem Zusammenhang ist erfindungsgemäß vorgesehen, sämtliche über das neuronale Netz gesteuerten Einkuppelvorgänge online mit Hilfe eines Op timierungsfunktionals zu bewerten.

Dieses Funktional kann beispielsweise eine Kombination aus Energieeintrag, Fahrzeugbeschleunigung (Raddrehzahlen), Einkuppeldruck (Drehzahlgradient vor Synchron) darstellen. Jeder Einkuppelvorgang, der bezüglich des gewählten Optimierungsfunktionals eine bestimmte Güte aufweist, wird in eine dynamische Trainingsbasis für den Fahrbetrieb aufgenommen. Um das Netzwerk ständig auf das aktuelle Systemverhalten hin zu optimieren, werden erfindungsgemäß diese Trainingsmuster nach einer vorgegebenen Verweildauer aus der dynami schen Trainingsbasis eliminiert.

Gemäß der Erfindung wird der Lernfortschritt des Netzwerkes während des Fahrbetriebes zusätzlich vorangetrieben, indem nach jedem Rechenschritt zur Bestimmung des Kupplungssollmomentes (Forwardpropagation) ein Lernschritt (Backpropagation) mit einem aus der dynamischen Trainingsbasis zufällig aus gewählten Trainingsmuster durchgeführt wird.

Die mit der Anmeldung eingereichten Patentansprüche sind Formulierungsvor schläge ohne Präjudiz für die Erzielung weitergehenden Patentschutzes. Die An melderin behält sich vor, noch weitere, bisher nur in der Beschreibung und/oder Zeichnungen offenbarte Merkmalskombination zu beanspruchen.

In Unteransprüchen verwendete Rückbeziehungen weisen auf die weitere Ausbil dung des Gegenstandes des Hauptanspruches durch die Merkmale des jeweili gen Unteranspruches hin; sie sind nicht als ein Verzicht auf die Erzielung eines selbständigen, gegenständlichen Schutzes für die Merkmalskombinationen der rückbezogenen Unteransprüche zu verstehen.

Da die Gegenstände der Unteransprüche im Hinblick auf den Stand der Technik am Prioritätstag eigene und unabhängige Erfindungen bilden können, behält die Anmelderin sich vor, sie zum Gegenstand unabhängiger Ansprüche oder Tei lungserklärungen zu machen. Sie können weiterhin auch selbständige Erfindun gen enthalten, die eine von den Gegenständen der vorhergehenden Unteransprü che unabhängige Gestaltung aufweisen.

Die Ausführungsbeispiele sind nicht als Einschränkung der Erfindung zu verste hen. Vielmehr sind im Rahmen der vorliegenden Offenbarung zahlreiche Abände rungen und Modifikationen möglich, insbesondere solche Varianten, Elemente und Kombinationen und/oder Materialien, die zum Beispiel durch Kombination oder Abwandlung von einzelnen in Verbindung mit den in der allgemeinen Be schreibung und Ausführungsformen sowie den Ansprüchen beschriebenen und in den Zeichnungen enthaltenen Merkmalen bzw. Elementen oder Verfahrensschrit ten für den Fachmann im Hinblick auf die Lösung der Aufgabe entnehmbar sind und durch kombinierbare Merkmale zu einem neuen Gegenstand oder zu neuen Verfahrensschritten bzw. Verfahrensschrittfolgen führen, auch soweit sie Herstell-, Prüf- und Arbeitsverfahren betreffen.

Claims

1. Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe beim Anfah ren und Wiedereinkuppeln nach Gangwechseln für Fahrzeuge mit elektroni scher Getriebesteuerung und/oder einem automatisierten Handschaltgetrie be, dadurch gekennzeichnet, dass neuronale Netzwerke eingesetzt werden.

2. Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe nach An spruch 1, dadurch gekennzeichnet, dass in einem ersten Schritt neuronale Netzwerke zum Erlernen optimaler Einkuppelverläufe eingesetzt werden.

3. Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe nach An spruch 2, dadurch gekennzeichnet, dass zum Erlernen optimaler Einkuppel verläufe eine Trainingsbasis erstellt wird, wobei Messungen oder Simulati onsergebnisse optimaler Einkuppelvorgänge herangezogen werden.

4. Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe nach An spruch 3, dadurch gekennzeichnet, dass als Eingangssignale der Trainings basis aussagekräftige Meßsignale verwendet werden, wie Drosselklappen stellung und/oder Pedalwert und/oder Motordrehzahl und/oder Getriebeein gangsdrehzahl und/oder Motormoment und/oder eingelegter Gang und/oder Leerlaufschalter und/oder Bremslichtschalter und/oder Kickdown-Schalter.

5. Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe nach An spruch 2, 3 oder 4, dadurch gekennzeichnet, dass zusätzliche Änderungen verschiedener Eingangssignale mitverwertet werden, wobei mittels Zeit fenstern auch weiter zurückliegende Meßwerte der entsprechenden Signale verwendet werden.

6. Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe nach An spruch 2, 3, 4 oder 5, dadurch gekennzeichnet, dass die zugrundegelegten Messungen/Simulationen auf Basis der Interruptzeit des verwendeten Steu ergerätes derart aufbereitet werden, dass jedes Trainingsmuster die Abbil dung der Meßsignale zum Interruptzeitpunkt t_k auf das Kupplungssollmo ment zum Zeitpunkt des folgenden Interrupts t_k+1 darstellt.

7. Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass während des Fahrbetriebes eine Optimierung des Netzwerkes durchgeführt wird, so dass Systemveränderungen wie Verschleiß oder Alterung berücksichtigt bzw. kompensiert werden.

8. Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe nach An spruch 7, dadurch gekennzeichnet, dass sämtliche über das neuronale Netz gesteuerten Einkuppelvorgänge online mit Hilfe eines Optimierungsfunktio nals bewerten werden.

9. Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe nach An spruch 8, dadurch gekennzeichnet, dass das Optimierungsfunktional eine Kombination aus Energieeintrag, Fahrzeugbeschleunigung (Raddrehzah len), Einkuppeldruck (Drehzahlgradient vor Synchron) darstellt und dass je der Einkuppelvorgang, der bezüglich des gewählten Optimierungsfunktio nals eine bestimmte Güte aufweist, in eine dynamische Trainingsbasis für den Fahrbetrieb aufgenommen wird.

10. Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe nach einem der Ansprüche 7 bis 9, dadurch gekennzeichnet, dass die Trainingsmuster nach einer vorgegebenen Verweildauer aus der dynamischen Trainingsba sis eliminiert werden, um das Netzwerk ständig auf das aktuelle Systemver halten hin zu optimieren.

11. Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass der Lernfort schritt des Netzwerkes während des Fahrbetriebes zusätzlich vorangetrie ben wird, indem nach jedem Rechenschritt zur Bestimmung des Kupplungs sollmomentes (Forwardpropagation) ein Lernschritt (Backpropagation) mit einem aus der dynamischen Trainingsbasis zufällig ausgewählten Trai ningsmuster durchgeführt wird.