Verfahren und Computerproqramm zum Bestimmen einer Messgröße

Die Erfindung betrifft ein computerimplementiertes Verfahren und Computerpro gramm zum maschinellen Lernen temporaler Zusammenhänge in einem oder mehre ren Messsignalen. Ferner betrifft die Erfindung ein Verfahren und Computerpro gramm zum Bestimmen einer Messgröße

Der Einsatz von Algorithmen aus dem Bereich des maschinellen Lernens, beispiels weise künstlichen neuronalen Netzwerken, stellt hohe Anforderungen an Rechenein heiten. Beispielsweise erfordert der Einsatz rekurrenter Schichten, beispielsweise Long Short-Term Memory Zellen, in einem künstlichen neuronalen Netzwerk hohe Rechenkapazitäten. Insbesondere erfordern rekurrente neuronale Netze hohe Re chenkapazitäten, sowohl während einer Trainingsphase als auch während einer Ein satzphase des trainierten rekurrenten neuronalen Netzwerks. Derartige hohe Re chenkapazitäten können mittels eingebetteten Systemen, beispielsweise Microcon- trollern, beispielsweise automobilen Steuergeräten, auch electronic control units, ECUs genannt, Domain-/Zone-Controllern oder data concentrator units, DCU, nur eingeschränkt bereitgestellt werden. Der Einsatz dieser Algorithmen ist deshalb nur eingeschränkt möglich oder erfordert dezidierte Rechnerarchitekturen.

Viele Anwendungen des maschinellen Lernens, beispielsweise von künstlichen neu ronalen Netzwerken, auf eingebetteten Systemen im Automobilbereich erfordern Ab bildungen temporaler Zusammenhänge über bestimmte Zeiträume, beispielsweise Prädiktion von Trajektorien, Prädiktion von Messwerten oder Tracking. Dies erfordert eine große Speichertiefe und/oder mathematisch aufwendige Architekturen von Schichten der künstlichen neuronalen Netzwerke, welche in der Praxis auf den exis tierende Rechnerplattformen nicht oder nur mit hohem Aufwand verbunden zur Ver fügung gestellt werden können. Aufgabe der Erfindung war es, wie Ressourcen intensive Schichten eines künstlichen neuronalen Netzwerks, das temporale Zusammenhänge abbildet, optimiert oder er setzt werden können.

Die Gegenstände der 1 , 8, 9 und 12 lösen jeweils diese Aufgabe.

Nach einem Aspekt stellt die Erfindung ein computerimplementiertes Verfahren bereit zum maschinellen Lernen temporaler Zusammenhänge in einem oder mehreren Messsignalen. Das Verfahren umfasst die Schritte

• Eingeben wenigstens des einen Messsignals in wenigstens ein Filter und Er halten wenigstens eines Filterausgangssignals;

• Vorwärtsspeisen eines rückkopplungsfreien Maschinenlernalgorithmus mit dem wenigstens einen Filterausgangssignal und Lernen des temporalen Zu sammenhangs in wenigstens dem einen Messsignal in Abhängigkeit einer Übertragungsfunktion des wenigstens einen Filters.

Der Maschinenlernalgorithmus prädiziert basierend auf dem gelernten temporalen Zusammenhang wenigstens eine mit wenigstens dem einen Messsignal korrelie rende Messgröße.

Dieses Verfahren ist ein Lern- oder Trainingsverfahren.

Nach einem weiteren Aspekt stellt die Erfindung ein Computerprogramm bereit zum maschinellen Lernen temporaler Zusammenhänge in einem oder mehreren Messsig nalen. Das Computerprogramm umfasst Befehle, die bewirken, dass ein Computer die Schritte des erfindungsgemäßen Lernverfahrens ausführt, wenn das Computer programm von dem Computer ausgeführt wird.

Mit diesem Computerprogramm kann ein Maschinenlernalgorithmus trainiert werden.

Nach einem weiteren Aspekt stellt die Erfindung ein Verfahren zum Bestimmen we nigstens einer Messgröße bereit. Wenigstens ein mit der wenigstens einen Mess größe korrelierendes Messsignal wird in einen nach dem erfindungsgemäßen Lernverfahren angelernten Maschinenlernalgorithmus eingegeben und der Maschi nenlernalgorithmus gibt die wenigstens eine Messgröße aus.

Dieses Verfahren setzt einen bereits trainierten Maschinenlernalgorithmus ein.

Nach einem weiteren Aspekt stellt die Erfindung ein Computerprogramm zum Be stimmen einer Messgröße bereit. Das Computerprogramm umfasst Befehle, die be wirken, dass ein Mikrocontroller die Schritte des erfindungsgemäßen Einsatzverfah rens ausführt, wenn das Computerprogramm von dem Mikrocontroller ausgeführt wird.

Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Definitionen, den Unteransprüchen, den Zeichnungen und der Beschreibung bevorzugter Ausfüh rungsbeispiele.

Im bekannten Stand der Technik werden temporale Zusammenhänge in Daten, bei spielsweise Messsignalen, mittels künstlichen neuronalen Netzwerken mit Rückkopp lungen, auch rekurrente Netzwerke genannt, maschinell gelernt und im Einsatzfall von einem trainierten rekurrenten Netzwerk bestimmt.

Bei einem künstlichen neuronalen Netzwerk, das Rückkopplungen umfasst, sind bei spielsweise Ausgänge von Neuronen mit Eingängen von wenigstens einem Neuron einer vorhergehenden Schicht verbunden. Zusätzlich oder alternativ zu diesen soge nannten indirekten Rückkopplungen kann das künstliche neuronale Netzwerk direkte Rückkopplung, bei der ein eigener Ausgang eines Neurons als weiterer Eingang ge nutzt, und/oder seitliche Rückkopplung, bei der ein Ausgang eines Neurons mit ei nem anderen Neuron derselben Schicht verbunden wird, umfassen. Mittels Rück kopplungen, beispielsweise indirekten Rückkopplungen, lassen sich Zeitreihen bear beiten. Ein rekurrentes neuronales Netzwerk ist ein rückgekoppeltes neuronales Netzwerk umfassend direkte, indirekte und/oder seitliche Rückkopplungen.

Die rekurrenten Schichten benötigen im Training als auch im Einsatz ein relativ ho hes Maß an Rechen- und/oder Speicherkapazitäten. Gemäß der erfindungsgemäßen Lösung werden die temporalen Zusammenhänge in Abhängigkeit von Übertragungs funktionen von Filtern dargestellt.

Dies hat mehrere Vorteile: Die temporalen Zusammenhänge lassen sich erfindungs gemäß mittels rückkopplungsfreien Maschinenlernalgorithmen bestimmen, das heißt insbesondere das Prozessieren rekurrenter Schichten entfällt. Damit wird Rechen- und/oder Speicherkapazität eingespart. Beispielsweise werden nur Messsignale und gefilterter Signale in ein Feedforward-Netz eingespeist. Damit kann wenigstens der trainierte Maschinenlernalgorithmus auf einem Mikrocontroller mit vergleichsweise eingeschränkten Rechen- und/oder Speicherkapazitäten lauffähig ausgeführt werden kann.

Ein weitere Vorteil ist, dass Rückkopplungen, die im bekannten Stand der Technik nicht nachvollziehbar eingestellt werden, beispielsweise bei rekurrenten Netzwerken mittels backpropagation-through-time Algorithmen, durch die Übertragungsfunktionen der Filter, umfassend Frequenzgänge, Impulsantworten, Sprungantworten, ersetzt werden. Die Filterausgangssignale beinhalten Informationen aus der Vergangenheit. Damit wird ein Gedächtnis basierend auf physikalischen Eigenschaften der Filter rea lisiert. Damit basiert das erfindungsgemäße Lern- und Einsatzverfahren auf Daten und physikalischem Wissen und ist damit besser erklärbar und/oder nachvollziehbar.

Das erfindungsgemäße Bestimmen der Messgröße aus dem wenigstens einen korre lierenden Messsignal hat den weiteren Vorteil ist, dass ein Sensor zum Messen der Messgröße eingespart werden kann. Erfindungsgemäß wird die Messgröße maschi nell bestimmt, das heißt durch Prozessieren eines Daten getriebenen Algorithmus, im Einsatzfall ohne sensorielle Messung der Messgröße. Das wenigstens eine Messsig nal kann beispielsweise ein Messsignal sein, das für viele Anwendungen benötigt wird. Damit wird erfindungsgemäß ein Sensor zum Messen der Messgröße einge spart. Beispielsweise kann eine Temperatur bestimmt werden, ohne hierfür einen Temperatursensor einzusetzen. Der Maschinenlernalgorithmus kann beispielsweise ein künstliches neuronales Netz, eine Support Vector Machine oder ein Random -Forest-Klassifikator sein. Nach einem Aspekt ist der Maschinenlernalgorithmus ein künstliches neuronales Netzwerk.

Bei den Filtern kann es sich um analoge oder digitale Filter handeln. Beispielsweise ist das Filter ein Bauteil umfassend wenigstens einen Widerstand und wenigstens ei nen Kondensator. Nach einem Aspekt der Erfindung sind die Filter in einem digitalen Signalprozessor mittels sequentiell abgearbeiteter Software realisiert. Nach einem weiteren Aspekt der Erfindung sind die Filter in digitalen Schaltungen mittels Hard- wareprogrammierung und/oder paralleler Datenverarbeitung, beispielsweise field pro- grammable gate arrays, abgekürzt FPGAs, implementiert.

Die Befehle des erfindungsgemäßen Computerprogramms umfassen Maschinenbe fehle, Quelltext oder Objektcode geschrieben in Assemblersprache, einer objektori entierten Programmiersprache, beispielsweise C++, oder in einer prozeduralen Pro grammiersprache, beispielsweise C. Das Computerprogramm ist nach einem Aspekt der Erfindung ein Flardware unabhängiges Anwendungsprogramm, das beispiels weise über den erfindungsgemäßen Datenträger oder ein Datenträgersignal, nach ei nem Aspekt mittels Software Over The Air Technologie, für eine beliebige Flardware bereitgestellt wird, beispielsweise über eine Middleware. Nach einem weiteren As pekt ist das Computerprogramm ein Flardware abhängiges Programm, beispiels weise eine Firmware des erfindungsgemäßen Steuermoduls.

Der Datenträger umfasst flüchtige Speicher, beispielsweise RAM, DRAM, SRAM, und nichtflüchtige Speicher, beispielsweise ROM, Flash-EEPROM. Die Datenträger sind beispielsweise Flash-Speicherkarten, USB-Sticks. Nach einem Aspekt der Erfin dung wird der Datenträger an ein In/Out System eines Mikrocontrollers eines Fahr systems angeschlossen und überträgt das Computerprogramm in den Mikrocontrol ler.

Der Mikrocontroller basiert beispielsweise auf mehreren Zentralprozessoren, bei spielsweise auf bis zu drei unabhängigen 32-Bit-CPUs. Damit werden höchste Si cherheitsstandards erfüllt und gleichzeitig die Leistung deutlich gesteigert. Die Kerne des Mikrocontrollers haben beispielsweise eine Taktfrequenz von 200 MHz. Der Mik rocontroller umfasst beispielsweise einen 4 MB Flash-Speicher. Damit hat der Mikro controller eine reduzierte Komplexität, einen optimierten Stromverbrauch und spart Kosten ein. Nach einem Aspekt ist zur Ausführung des angelernten Maschinenlernal gorithmus nur ein Teil der Laufzeit und/oder des Speichers des Mikrocontrollers re serviert. Der übrige Teil ist für weitere Anwendungen, die auf dem Mikrocontroller laufen, beispielsweise eine Getriebesteuerungssoftware, reserviert.

Nach einem Aspekt wird das Verfahren mit mehreren Messsignalen durchgeführt, die alle oder teilweise gefiltert in den Maschinenlernalgorithmus vorwärtsgespeist wer den. Damit können mehrere Messgrößen, die jeweils mit einem oder mehreren der Messignale korrelieren, prädiziert und/oder bestimmt werden. Ferner kann eine Messgröße, die mit mehreren der Messsignale korreliert, genauer prädiziert und/oder bestimmt werden.

Nach einem Aspekt wird wenigstens das eine Messignal in mehrere der Filter umfas send Filter mit unterschiedlichen Übertragungsfunktionen eingegeben wird. Es wer den mehrere Filterausgangssignale erhalten. Der Maschinenlernalgorithmus wird mit den mehreren Filterausgangssignalen vorwärtsgespeist. Die unterschiedlichen Über tragungsfunktionen werden unterschiedlich gewichtet. Durch die unterschiedliche Ge wichtung lernt der Maschinenlernalgorithmus, in Abhängigkeit des wenigstens einen Messsignals den oder die Filter zu bestimmen, durch deren Übertragungsfunktion ein Gedächtnis des Maschinenlernalgorithmus optimiert wird. Beispielsweise kann es sich bei den unterschiedlichen Filtern um Filter mit unterschiedlichen Zeitkonstanten handeln umfassend beispielsweise relativ dynamische Filter und relativ langsame Fil ter.

Nach einem weiteren Aspekt wird wenigstens das eine Messsignal in kaskadierende Filter eingegeben. Der Maschinenlernalgorithmus wird mit dem Filterausgangssignal des letzten der kaskadierenden Filter und/oder mit mehreren Filterausgangssignalen jeweiliger Filter der kaskadierenden Filter vorwärtsgespeist. Unter Verwendung meh rerer Filter mit unterschiedlichen Übertragungsfunktionen, beispielsweise unter schiedlichen Frequenzgängen, Filterparametern, können mittels Einsatz bekannter Optimierungsverfahren für Maschinenlernalgorithmen komplexe temporale Zusam menhänge mit einem Bruchteil des Ressourcenbedarfs einer klassischen Implemen tierung mit Rückkopplungen, beispielsweise einer rekurrenten Implementierung, ab gebildet werden.

Nach einem weiteren Aspekt wird auf das wenigstens eine Filterausgangssignal oder auf mehrere der Filterausgangssignale eine Verzögerung addiert wird und der Ma schinenlernalgorithmus mit den jeweiligen verzögerten Filteraussignalen vorwärtsge speist wird. Beispielsweise wird nach einem Aspekt bei den kaskadierenden Filtern dem Filterausgangssignal des letzten der kaskadierenden Filter und/oder mehreren Filterausgangssignalen jeweiliger Filter der kaskadierenden Filter eine Verzögerung aufaddiert. Die zeitliche Verzögerung können beispielsweise im Millisekunden- oder Sekundenbereich liegen.

Nach einem Aspekt ist der Maschinenlernalgorithmus ein künstliches neuronales Feedforward-Netzwerk, das die Prädiktion der wenigstens einen Messgröße über wacht lernt aus Ist-Daten umfassend gemessene Werte der wenigstens einen Mess größe und Soll-Daten umfassend die prädizierten Werte der wenigstens einen Mess größe. Damit können Ressourcen intensive Schichten mit der nötigen Rekurrenz durch eine Kombination von Feedforward Schichten und wenigstens eines Filters am Netzeingang ersetzt werden. Dabei dient das Filter als Gedächtnis der entsprechen den Schicht und kann entsprechend der gewählten Übertragungsfunktion, beispiels weise des Frequenzganges, temporale Zusammenhänge darstellen.

Das überwachte Lernen erfolgt nach einem Aspekt Gradienten basiert mittels Back propagation. Die Ist-Daten werden beispielsweise mittels wenigstens eines Referenz sensors, der die wenigstens eine Messgröße misst, bereitgestellt. Die Ist-Daten wer den auch ground-truth genannt.

Nach einem Aspekt umfassen das wenigstens eine Messsignal oder die Messsignale eine Motordrehzahl, eine Getriebedrehzahl und/oder ein Drehmomentwandler-Signal. Der Maschinenlernalgorithmus prädiziert eine Öltemperatur als Messgröße, bei spielsweise die Temperatur eines Getriebeöls. Ein spezieller Temperartursensor zum Messen der Temperatur des Getriebeöls wird damit von dem Maschinenlernalgorith mus, oder allgemein von einer künstlichen Intelligenz, ersetzt. Der Maschinenlernal gorithmus, insbesondere der angelernte Maschinenlernalgorithmus, stellt einen Sen sorersatz dar. Nach einem Aspekt werden die Motordrehzahl, die Getriebedrehzahl und/oder das Drehmomentwandler-Signal mittels der kaskadierenden Filter, bei spielsweise mit jeweiligen Verzögerungen, gefiltert und/oder gewichtet.

Nach einem weiteren Aspekt umfassen das Filter oder die Filter wenigstens ein PTi- Glied, wenigstens ein Filter mit endlicher Impulsantwort und/oder wenigstens ein Fil ter mit unendlicher Impulsantwort.

Ein PTi-Glied hat die Übertragungsfunktion

K

G(s) =

1 + T - s mit positiver Übertragungskonstante K und positiver Zeitkonstante T. Nach einem As pekt werden mehrere PT-i-Glied mit unterschiedlichen Übertragungskonstanten K und/oder unterschiedlichen Zeitkonstanten T verwendet. Nach einem weiteren As pekt wird das wenigstens eine Messsignal sequentiell durch kaskadierende PT-i-Glie- der gefiltert. Nach einem weiteren Aspekt wird bei den kaskadierenden PTi -Gliedern auf das letzte Filterausgangssignal eine Verzögerung addiert.

Ein Filter mit endlicher Impulsantwort erzeugt eine Impulsantwort mit endlicher Länge und zeichnet sich durch seine Stabilität aus. Nach einem Aspekt ist der Filter mit end licher Impulsantwort digital realisiert.

Ein Filter mit unendlicher Impulsantwort kann eine unendlich lang andauernde Im pulsantwort liefern. Signalverzerrungen werden bei der Übertragung in der Regel als endliches Filter modelliert und dementsprechend durch Testsignale gemessen. Zum Rückgängigmachen dieser Störung muss idealerweise ein unendlich langes Filter verwendet werden oder eine gute Approximation dessen. Damit können Signalver zerrungen verbessert ausgeglichen werden. Nach einem Aspekt ist das Filter mit un endlicher Impulsantwort ein digitales Filter. Nach einem weiteren Aspekt wird mittels des erfindungsgemäßen Einsatzverfahrens eine Öltemperatur bestimmt, beispielsweise eine Temperatur eines Getriebeöls. We nigstens ein Drehmomentwandler-Signal , ein Signal einer E-Maschine oder eines Anfahrelements, beispielsweise wenn das Getriebe ohne Wandler aufgebaut ist, wird in den Maschinenlernalgorithmus eingegeben. Der Maschinenlernalgorithmus gibt die Öltemperatur aus. Ein Temperatursensor, der die Öltemperatur misst, wird damit er setzt.

Nach einem weiteren Aspekt wird der angelernte Maschinenlernalgorithmus auf ei nem Mikrocontroller ausgeführt. Beispielsweise wird der angelernte Maschinenlernal gorithmus auf einem Mikrocontroller ausgeführt.

Die Erfindung wird in den folgenden Ausführungsbeispielen verdeutlicht. Es zeigen:

Fig. 1 ein Ausführungsbeispiel einer Anordnung zum erfindungsgemäßen Anlernen temporaler Zusammenhänge in Messsignalen,

Fig. 2 ein Ausführungsbeispiel einer Anordnung zum erfindungsgemäßen Bestimmen einer Messgröße,

Fig. 3a ein Ausführungsbeispiel von Messsignalen,

Fig. 3b ein Ausführungsbeispiel eines weiteren Messsignals und Filterausgangssig nale für dieses Messsignal,

Fig. 3c ein Ausführungsbeispiel weiterer Messsignale,

Fig. 3d ein Ausführungsbeispiel von einer erfindungsgemäß prädizierten Messgröße mit dazugehöriger Referenz,

Fig. 3e ein Ausführungsbeispiel für Abweichungen zwischen erfindungsgemäßer Prä diktion und Referenz, Fig. 4 ein Ausführungsbeispiel eines erfindungsgemäßen Lernverfahrens und

Fig. 5 ein Ausführungsbeispiel eines erfindungsgemäßen Einsatzverfahrens.

In den Figuren bezeichnen gleiche Bezugszeichen gleiche oder funktionsähnliche Bezugsteile. Übersichtshalber werden in den einzelnen Figuren nur die jeweils rele vanten Bezugsteile hervorgehoben.

Die Anordnung der Fig. 1 speist Messsignale In1 , In2. InX in einen Maschinenlernalgorithmus ANN ein. Die Messsignale In1 , In2. InX korrespondieren mit einer oder mehreren Messgrößen. In dem in Fig. 4 gezeigtem Lernverfahren lernt der Ma schinenlernalgorithmus ANN, aus den Messsignalen In1 , In2, InX die eine oder die mehreren Messgrößen zu bestimmen, ohne dass diese sensoriell gemessen wer den müssen. Der Maschinenlernalgorithmus ANN prädiziert erfindungsgemäß eine Messgröße Out und gibt diese aus. Der Maschinenlernalgorithmus ANN ist beispiels weise ein künstliches neuronales Feedforward-Netz, das überwacht angelernt wird. Die Messsignale In 1 , In2, ...ln(X-1) werden ungefiltert in den Maschinenlernalgorith mus ANN gespeist.

Das Messsignal InX wird ohne Beschränkung der Allgemeingültigkeit erfindungsge mäß in Filter F1, F2. F5, umfassend beispielsweise die kaskadierende Filter F4,

F5, eingegeben. Die Filter unterscheiden sich in ihren Übertragungsfunktionen. Die jeweiligen Filterausgangssignale werden in den Maschinenlernalgorithmus ANN vor wärtsgespeist. Ferner wird dem Filterausgangssignal des Filters F1 eine Verzöge rung D1 aufaddiert und das verzögerte Filterausgangssignal in den Maschinenlernal gorithmus ANN vorwärtsgespeist. Außerdem ist das Filterausgangssignal des Filters F1 ein Eingangssignal des kaskadieren Filters F4. Das Filterausgangssignal des Fil ters F4 wird verzögerungsfrei und mit einer Verzögerung D2 in den Maschinenlernal gorithmus ANN vorwärtsgespeist. Das verzögerungsfreie Filterausgangssignal des Filters F4 ist ein Eingangssignal des kaskadierten Filters F5. Durch die unterschiedli chen Übertragungsfunktionen und Verzögerungen D1 , D2 werden mittels Backpropagation komplexe temporale Zusammenhänge abgebildet und damit ein Gedächtnis angelernt.

Fig. 2 zeigt einen Mikrocontroller pC, auf dem ein nach dem erfindungsgemäßen Lernverfahren angelernter Maschinenlernalgorithmus ANN eingesetzt wird. Das ent sprechende Einsatzverfahren ist in Fig. 5 dargestellt. Der Mikrocontroller pC erhält als Eingangssignal beispielsweise das Messsignal InX, das mit der Messgröße Out korreliert. Der angelernte Maschinenlernalgorithmus ANN bestimmt dann die Mess größe Out, ohne dass diese sensoriell gemessen werden muss. Da der Maschinen lernalgorithmus ANN erfindungsgemäß keine Rückkopplungen umfasst, beispiels weise kann es sich um ein einfaches künstliches neuronales Feedforward Netz han deln, kann er erfindungsgemäß mit den eingeschränkten Ressourcen des Mikrocon trollers pC ausgeführt werden.

Die Fig. 3a bis 3e zeigen als Anwendungsfall der erfindungsgemäßen Lösung bei spielsweise die Bestimmung einer Temperatur eines Getriebeöls mittels des Maschi nenlernalgorithmus ANN, ohne dass die Temperatur mit einem Sensor gemessen werden muss. Ein Temperatursensor wird erfindungsgemäß durch den Maschinen lernalgorithmus ersetzt. Die aufgetragenen Werte basieren auf real durchgeführten Messungen.

Fig. 3a zeigt beispielsweise die Messsignale

• n_ICE = Drehzahl Verbrennungsmotor;

• n_Shaftln = Drehzahl Eingangswelle Getriebe;

• n_ShaftOut = Drehzahl Abtrieb Getriebe jeweils aufgetragen über der Zeit, wobei ein Punkt 10ms entspricht.

Fig. 3b zeigt die weiteren Signale

• pwr_TrqConvWork = Drehmomentwandler-Signal (ungefiltertes Signal vor der PT1 Filterung)

• Filt1_pwr_TrqConvWork = gefilterter Wert des Drehmomentwandler-Signals;

• Filt7_pwr_TrqConvWork = gefilterter Wert des Drehmomentwandler-Signals mit Zeitkonstante als Filt1_pwr_TrqConvWork; • SH10s_SeqFilt3_TrqConWork = sequentiell gefilterter PT1 Wert (Signal -> Pt1 -> Pt1 ->Pt1 -> ...) + 10s Verzögerung Input zu Output;

• SH50s_SeqFilt3_TrqConWork = sequentiell gefilterter PT1 Wert (Signal -> Pt1 -> Pt1 ->Pt1 -> ...) + 50s Verzögerung Input zu Output;

• SFI100s_SeqFilt3_TrqConWork = sequentiell gefilterter PT1 Wert (Signal ->

Pt1 -> Pt1 ->Pt1 -> ...) + 100s Verzögerung Input zu Output jeweils aufgetragen über der Zeit.

Die Filter, die die Filterausgangssignale Filt1_pwr_TrqConvWork und Filt7_pwr_TrqConvWork erhalten, sind beispielsweise PTi-Glieder mit unterschiedli chen Übertagungsfunktionen.

Fig. 3c zeigt die weiteren Signale

• ICE_Trq = Drehmoment Verbrennungsmotor;

• ICE_TrqAct = Drehmoment Verbrennungsmotor mit Eingriffen vom Getriebe jeweils aufgetragen über der Zeit.

Die in den Fig. 3a, 3b, 3c gezeigten Signale sind die Eingangssignale des Maschi nenlernalgorithmus ANN. Die unterschiedlichen Filterausgangssignalen beinhalten Informationen aus der Vergangenheit, wobei die Filter spezifischen Informationen ba sierend auf den unterschiedlichen Übertragungsfunktionen unterschiedlich weit in die Vergangenheit zurück reichen. Damit wird ein Gedächtnis angelernt, mittels dem der Maschinenlernalgorithmus ANN einen temporaler Zusammenhang in den Messsigna len bestimmt und daraus die Messgröße prädiziert, wie in Fig. 3d gezeigt, nämlich

• AI_pred_INT = Ausgangssignal, das heißt prädizierte Messgröße, beispiels weise Temperatur eines Getriebeöls;

• C_TrsmOil = Zielgösse, ground truth; Sensor, der diese Temperatur misst, ist im Ölsumpf angeordnet und wird von Öl umspült;

• C_Chip [°] und C_CPU [°C] = jeweils Temperaturwerte, gemessen mit weite ren Temperatursensoren in ECU, die nicht im Ölsumpf angeordnet sind, diese Temperaturwerte werden als weitere Eingangsgrößen genutzt um C_TrsmOil vorherzusagen. Fig. 3d zeigt eine Abweichung der Prädiktion von der Referenz, nämlich

• Pred_error = Fehler zwischen Vorhersage des Maschinenlernalgorithmus und ground truth;

• Pred_error_lnt = Fehler zwischen Vorhersage des Maschinenlernalgorithmus und ground truth gerundet auf ganze Zahlen.

Der Fehler bewegt sich zwischen -2°C und +2°C und ist für die Bestimmung der Öltemperatur akzeptabel.

Fig. 4 zeigt das Lernverfahren. In einem Verfahrensschritt L1 wird wenigstens das eine Messsignal Int1, Int2, .... IntX in wenigstens ein Filter F1, F2, F3 eingegeben und wenigstens ein Filterausgangssignal erhalten. In einem Verfahrensschritt L2 wird ein rückkopplungsfreier Maschinenlernalgorithmus ANN mit dem wenigstens einen Filterausgangssignal vorwärtsgespeist. Dabei wird der temporale Zusammenhang in wenigstens dem einen Messsignal Int1, Int2. IntX in Abhängigkeit einer Übertragungsfunktion des wenigstens einen Filters F1, F2, F3 gelernt. In einem Verfahrens schritt L3 prädiziert der Maschinenlernalgorithmus ANN basierend auf dem gelernten temporalen Zusammenhang wenigstens eine mit wenigstens dem einen Messsignal Int1, Int2, IntX korrelierende Messgröße Out.

Fig. 5 zeigt das Einsatzverfahren. In einem Verfahrensschritt E1 wird wenigstens ein mit der wenigstens einen Messgröße Out korrelierendes Messsignal Int1, Int2,

IntX in den nach dem in Fig. 4 gezeigtem Verfahren angelernten Maschineniemalgo rithmus ANN) eingegeben. In einem Verfahrensschritt E2 gibt der Maschinenlernal gorithmus ANN die wenigstens eine Messgröße Out.

Bezuqszeichen

Int1, Int2, IntX Messsignal

F1, F2, F3 Filter

F4, F5 kaskadierende Filter

D1, D2 Verzögerung

ANN Maschinenlernalgorithmus Out Messgröße mq Mikrocontroller L1-L3 Verfahrensschritte E1, E2 Verfahrensschritte