【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及用于对车辆构件的发热行为建模的方法和装置。本专利技术还涉及用于对车辆构件的发热行为监控的方法和车辆，所述车辆包括车载诊断系统(obd系统)。本专利技术还涉及用于对车辆构件的发热行为建模或监控的计算机程序。
技术介绍
1、对车辆中的构件的发热行为的建模和监控是在这样的构件的具体功能的诊断和检验中的重要组成部分。目前，基于静态参考曲线对这样的发热行为建模。例如在检验车辆马达是否足够快速发热中高度重要的是，也为了向当局提供证明：存在可靠且尽可能准确的模型。
2、当前应用的静态模型的缺点例如在于：基于“最差”情景，以便足够地确保对于法律要求的安全性。这导致高成本并且可能导致不合理的错误消息。在obd系统中应用这样的不准确的模型的情况下，这在最糟糕情况下可能导致差的用户体验。此外，静态的模型在研发过程中只能相对晚地借助完成的车辆在辊式测试台(rollenprüfstand)上检验。
技术实现思路
1、因此，本专利技术的目的在于，描述一种方法以及一种装置，其中对车辆构件的发热行为能够更准确、更早和较不耗费地建模。此外应创造如下一种方法和一种车辆，其能实现对这样的发热行为的改善的监控。此外应实现一种计算机程序，以用于对这样的发热行为的改善的建模和改善的监控。
2、该目的通过各独立权利要求的特征解决。有利的设计方案表示在从属权利要求中。
3、按照本专利技术的第一方面，用于对车辆构件的发热行为建模的方法包括如下步骤：
4、-在车辆构件的多
5、-基于关于所述多个输入参量中的至少一个输入参量的信息创建白盒模型；
6、-基于包括白盒模型的至少一个输出参量和所述发热曲线中的至少一个发热曲线的信息来训练和验证黑盒模型；
7、-借助于由白盒模型和黑盒模型组成的灰盒模型对车辆构件的发热行为建模。
8、输入参量例如是测量值、例如在车辆中或上的温度或功率。这样的输入参量的示例例如是马达的内部功率。作为时间曲线在车辆构件的多个发热过程期间检测所述输入参量。发热曲线是车辆构件自身或相应的代表性的测量值的所测量的温度曲线、例如车辆构件的冷却循环的温度曲线。
9、发热曲线描述车辆构件由初始温度到最终温度的发热。作为初始温度例如可以应用室温，作为最终温度例如可以应用车辆构件的运行温度，在构件的符合标准的使用的情况下达到该最终温度。对于每个发热过程可以检测一个发热曲线(例如构件温度)或者多个发热曲线(例如附加于当前构件温度还有构件温度的递归的考虑)。
10、利用白盒模型模拟用于黑盒模型的输入，以便给黑盒模型提供优化的输入。用于黑盒模型的输入——其在此应被模拟——例如包括之前检测了的所述多个输入参量中的一部分输入参量。关于所述至少一个输入参量的信息——根据该信息创建白盒模型——例如包括关于输入参量的物理边界条件、例如在所检测的输入参量中的不同输入参量之间的关系。白盒模型用于通过例如系统的数学描述而对系统直接建模。
11、如此可以在白盒模型中例如建立在关于冷却循环的旋转调节器的和(又与马达转数有关的)冷却剂泵的值之间的关系。这样的计算模块的接线构成白盒模型。白盒模型用于：基于提供给白盒模型的输入参量来计算白盒模型的输出参量作为用于黑盒模型的输入，从而用作黑盒模型的输入的参量彼此具有尽可能小的相互影响。由此将关于各输入参量的关系和相关性的信息提供给黑盒模型，无需将该信息保存在黑盒模型自身中。
12、黑盒模型由特定的基础函数的加权组合而组成。提出用于要建模的系统的测量数据形成黑盒模型的建模的基础。黑盒模型用于：根据借助于白盒模型准备的、检测的输入参量和发热曲线以及可选择地附加地直接提供给黑盒模型的所检测的输入参量来计算车辆构件的发热行为的模型。因为借助于白盒模型降低或提高在检测的发热曲线中的相互影响，所以可以给黑盒模型提供关于该发热曲线的信息，该信息彼此间不具有或者几乎不具有相互影响。由此，黑盒模型的更准确的训练是可能的。黑盒模型用于基于要建模的系统的测量数据借助于白盒模型的预连接(vorschaltung)进行建模。神经网络形式的训练算法在黑盒模型中根据测量数据学习系统行为。
13、根据在多个发热过程期间检测的所述多个输入参量和发热曲线来训练和验证基于神经网络的黑盒模型。为此，将车辆构件的不同发热过程的发热曲线和输入参量提供给黑盒模型的神经网络、至少部分借助于白盒模型的预连接，并且根据该信息训练和验证黑盒模型。将根据输入参量建模的发热过程与所检测的发热过程比较，以便如此训练黑盒模型。在训练和验证期间也可能的是，进一步适配白盒模型，以便实现在建模中改善的结果。
14、由白盒模型与黑盒模型相关联组成的灰盒模型于是可以对车辆构件的发热行为建模。为此，与借此训练和验证黑盒模型那样类似地应用所检测的输入参量。换言之，借助于白盒模型由输入参量生成用于黑盒模型的优化的输入，根据该输入(以及可选择地直接的输入参量)建模车辆构件的发热行为。附加地，出于测试目的，可以评估模型的接近品质，以便必要时进行白盒模型的进一步改善或黑盒模型的进一步的训练和验证。
15、在此优点在于，相比于上述静态模型所能实现的，可以明显更准确且更快速地创建发热行为的这样的模型。此外可能的是，非常早地在车辆的研发过程中进行建模，例如在构件测试台(例如马达测试台)上。
16、在此另一优点在于，由白盒模型和黑盒模型组成的架构能实现建模系统简单地适配于变化的环境条件。如果将车辆构件——对于该车辆构件例如已经对这样的发热行为建模——安装在另一车型中，所检测的输入参量的物理上框架条件由此而未改变或未明显改变，那么可以完全不变地或至少部分不变地接受白盒模型且仅仅重新训练黑盒模型。为了改善的结果，对白盒模型的适配自然也是可能的。如此适配的灰盒模型——其中完全或部分接受白盒模型而利用部分或完全接受的预连接的白盒模型重新训练黑盒模型——又可以以非常高的精度和可靠性对车辆构件的发热行为建模。
17、按照本专利技术的至少一个设计方案，所述黑盒模型基于局部线性模型树模型(lolimot模型)。lolimot模型是一种基于神经网络的模型。该lolimot模型能够学习每种类型的非线性关系。相比于经典的神经网络，lolimot模型提供如下优点，即，可以相对快速地训练且可以快速且没有大的耗费地重复。
18、lolimot模型此外具有决定性的学习阶段，在该学习阶段中逐步进行输入参量的线性化，以便可以尽可能准确地映射系统。附加于逐步的线性化还应用加权函数，以便将各线性部段相关联。该逐步的线性化在多个维度中进行，其中，每个维度相应于一个输入参量。
19、lolimot模型特别是在此适用于黑盒模型，因为按照这种方式能够快速地训练并且附加地基于比较少的训练数据来训练。
20、按照本专利技术的至少一个设计方案，为了检测所述多个输入参量和发热曲线，在车辆测试台上借助于通用的行驶工况产生所述本文档来自技高网...
【技术保护点】
1.用于对车辆构件(6)的发热行为建模的方法，所述方法包括如下步骤：
2.根据权利要求1所述的方法，其中，所述黑盒模型(10)基于局部线性模型树模型、LOLIMOT模型。
3.根据权利要求1或2之一所述的方法，其中，为了检测所述多个输入参量(12、13、14、15)和发热曲线，在车辆测试台(2)上借助于通用的行驶工况产生所述多个发热过程中的至少一部分发热过程，和/或借助于实际的行驶工况产生所述多个发热过程中的至少一部分发热过程。
4.根据权利要求3所述的方法，其中，所述通用的行驶工况中的至少一部分行驶工况利用马尔可夫方案创建；和/或所述通用的行驶工况中的至少一部分行驶工况利用调幅伪随机二进制信号方案、亦即APRBS方案创建。
5.根据权利要求1至4之一所述的方法，其中，所述多个输入参量(12、13、14、15)包括如下输入参量中的至少一个输入参量：
6.用于对车辆构件(6)的发热行为建模的装置(1)，所述装置(1)包括至少一个传感器(7)和处理器，其中：
7.用于监控车辆(3)的车辆构件(6)的发热行为的方法
8.车辆(3)，所述车辆包括车载诊断系统、即OBD系统(8)，以用于监控车辆构件(6)的发热行为，其中，所述OBD系统(8)设置为用于实施按照权利要求7所述的方法。
9.按照权利要求8所述的车辆(3)，其中，所述车辆构件(6)是车辆(3)的电动机或内燃机。
10.计算机程序，其中，所述计算机程序包括指令，所述指令在由计算机执行程序时促使计算机实施根据权利要求1至5或7之一所述的方法。
...【技术特征摘要】
【国外来华专利技术】
1.用于对车辆构件(6)的发热行为建模的方法，所述方法包括如下步骤：
2.根据权利要求1所述的方法，其中，所述黑盒模型(10)基于局部线性模型树模型、lolimot模型。
3.根据权利要求1或2之一所述的方法，其中，为了检测所述多个输入参量(12、13、14、15)和发热曲线，在车辆测试台(2)上借助于通用的行驶工况产生所述多个发热过程中的至少一部分发热过程，和/或借助于实际的行驶工况产生所述多个发热过程中的至少一部分发热过程。
4.根据权利要求3所述的方法，其中，所述通用的行驶工况中的至少一部分行驶工况利用马尔可夫方案创建；和/或所述通用的行驶工况中的至少一部分行驶工况利用调幅伪随机二进制信号方案、亦即aprbs方案创建。
5.根据权利要求1至4之一所述的方法，其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。