Technisches Gebiet

Die vorliegende Erfindung betrifft ein Verfahren zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks. Hierzu werden von dem neuronalen Netzwerk temperaturabhängige Dehnungskoeffizienten des elektronischen Moduls bestimmt und abhängig von diesen Dehnungskoeffizienten das Steuersignal ausgegeben. Die Erfindung betrifft zudem ein Verfahren zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen. Die Erfindung betrifft ferner eine zugehörige Steuereinrichtung zur Erzeugung eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks.

Stand der Technik

Elektromechanische Bauteile, beispielsweise Spannungswandler, bestehen aus einer Vielzahl einzelner Komponenten, welche miteinander verschaltet sind. Im Betrieb sind diese Komponenten wechselnden Stromstärken ausgesetzt, was zu einer thermischen Beanspruchung der Bauteile führt. Um eine Beschädigung der Bauteile feststellen zu können, sind im Allgemeinen komplexe strukturelle, mechanische und thermische Simulationen notwendig. Diese Simulationen sind sehr rechenintensiv und zeitaufwendig. Daher ist es wünschenswert, die zur Feststellung einer Beschädigung dieser Bauteile benötigte Rechenzeit zu verkürzen.

Darstellung der Erfindung

Die Erfindung bezieht sich in einem ersten Aspekt auf ein Verfahren zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks.

Ein elektronisches Modul kann elektrisch leitende, elektrisch isolierende und Halbleiterkomponenten umfassen. Beispielsweise kann ein elektronisches Modul elektrisch leitende Drähte, einen elektrisch isolierenden Grundkörper und Transistoren beziehungsweise Dioden umfassen, welche unter bestimmten Voraussetzungen elektrisch leitfähig sind. Mittels eines elektronischen Moduls kann beispielsweise Gleichspannung in Wechselspannung beziehungsweise Wechselspannung in Gleichspannung umgewandelt werden.

Ein Steuersignal kann ein elektrisches Signal sein, welches von oder zu dem elektronischen Modul übertragen wird. Das elektronische Signal kann Steuerungsdaten enthalten. Mittels des Steuerungssignals kann zumindest ein Betriebsparameter des elektronischen Moduls, beispielsweise eine Stromstärke oder elektrische Spannung desselben, beeinflusst werden. Alternativ oder zusätzlich kann das Steuersignal von dem elektronischen Modul an eine Auswerteeinheit übertragen werden, um zumindest einen Betriebsparameter des elektronischen Moduls, beispielsweise eine Temperatur desselben, zu ermitteln.

Unter einem neuronalen Netzwerk kann ein mathematisches Modell verstanden werden, welches die Struktur der Neuronen im menschlichen Gehirn zumindest teilweise nachbildet. Das neuronale Netzwerk kann mithilfe eines Computers erstellt werden. Das neuronale Netzwerk kann Eingangsknoten, Ausgangsknoten und mehrere Zwischenknoten aufweisen, welche zwischen den Eingangsknoten und den Ausgangsknoten angeordnet sind. Die Eingangsknoten können beispielsweise Datenschnittstellen sein, über welche Eingabedaten in das neuronale Netzwerk eingegeben werden können. Die Ausgangsknoten können beispielsweise Datenschnittstellen sein, über welche Ausgabedaten aus dem neuronalen Netzwerk ausgegeben werden können. Die Eingangsknoten können mit den Zwischenknoten und die Zwischenknoten können miteinander verbunden sein. Die Zwischenknoten können mit den Ausgangsknoten verbunden sein. Die Eingabedaten können historische Daten sein, welche zu einem bestimmten Zeitpunkt erfasst wurden. Alternativ oder zusätzlich können die Eingabedaten synthetische Daten sein, welche durch Verarbeitung erfasster beziehungsweise gemessener Daten erzeugt wurden. Analog hierzu können die Ausgabedaten historische Daten beziehungsweise synthetische Daten sein.

Auf den Zwischenknoten kann Information zumindest temporär zwischengespeichert werden. Es kann vorgesehen sein, dass auf den Zwischenknoten zumindest eine Rechenoperation ausgeführt wird. Die Eingabedaten können von den Eingangsknoten über die Zwischenknoten zu den Ausgangsknoten übertragen werden. Während dieser Übertragung können die Eingabedaten mathematisch verarbeitet werden, beispielsweise zu den Ausgabedaten umgewandelt werden. Die Zwischenknoten des neuronalen Netzwerks können in einer oder mehreren Schichten beziehungsweise Ebenen angeordnet sein. Die Zwischenknoten können innerhalb einer Schicht miteinander verbunden sein. Zusätzlich können die Zwischenknoten einer Schicht mit den Zwischenknoten anderer Schichten verbunden sein. Die einzelnen Verbindungen der Eingangsknoten, der Zwischenknoten und der Ausgangsknoten können mit mathematischen Gewichtungen versehen sein. Je nach Zweck des neuronalen Netzwerks können die einzelnen Gewichtungen der Verbindungen unterschiedlich sein. Während des Trainings des neuronalen Netzwerks können die Gewichtungen verändert werden. Durch die Anpassung der mathematischen Gewichtungen der Verbindungen der einzelnen Knoten während des Trainings kann von dem neuronalen Netzwerk ein Zusammenhang zwischen den Eingabedaten und den Ausgabedaten gelernt werden. Während der Verwendung des neuronalen Netzwerks zu dem vorgesehenen Zweck kann der gelernte Zusammenhang von dem neuronalen Netzwerk auf eingegebene Eingabedaten angewandt werden, um Ausgabedaten gemäß dem vorgegebenen Verwendungszweck des neuronalen Netzwerks zu erzeugen.

Das Verfahren umfasst den Schritt der Eingabe von Eingabedaten in das neuronale Netzwerk. Die Eingabedaten umfassen jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls. Die erfassten Temperaturen können repräsentativ für eine Temperaturverteilung des elektronischen Moduls sein. Die vorgegebenen Zeitpunkte können von einem Benutzer oder Hersteller des elektronischen Moduls vorgegeben sein. Die Eingabedaten können beispielsweise anhand einer elektrodynamisch-thermischen Simulation des Betriebs des elektronischen Moduls erfasst werden. Alternativ oder zusätzlich können die Eingabedaten experimentell erfasst werden. Die Eingabedaten können beispielsweise mittels einer Eingabevorrichtung an zumindest einen der Eingangsknoten des neuronalen Netzwerks übertragen werden. Alternativ können die Eingabedaten von einer Steuereinrichtung des elektronischen Moduls über eine Datenschnittstelle an zumindest einen der Eingangsknoten des neuronalen Netzwerks übertragen werden. Das Verfahren umfasst ferner den Schritt des Bestimmens von Dehnungskoeffizienten des elektronischen Moduls durch das neuronale Netzwerk auf. Das neuronale Netzwerk bestimmt die Dehnungskoeffizienten basierend auf einem von dem neuronalen Netzwerk gelernten Zusammenhang der Eingabedaten mit den Dehnungskoeffizienten. Die Dehnungskoeffizienten können eine Veränderung zumindest einer Dimension des elektronischen Moduls relativ zu einem vorgegebenen Startwert beschreiben. Die Dehnungskoeffizienten können bezüglich einer Veränderung der Länge, eine Veränderung der Fläche oder einer Veränderung des Volumens des elektronischen Moduls bestimmt werden. Beispielweise kann sich das elektronische Modul bei einer Temperaturerhöhung in zumindest einer Dimension ausdehnen. Alternativ kann das elektronische Modul bei einer Temperatursenkung in zumindest einer Dimension schrumpfen. Die Eingabedaten können von dem neuronalen Netzwerk, beispielsweise auf den Zwischenknoten, gemäß dem gelernten Zusammenhang verarbeitet werden, um die Dehnungskoeffizienten zu bestimmen. Beim Lernen des Zusammenhangs kann von dem neuronalen Netzwerk die mathematische Gewichtung der Verbindungen der einzelnen Knoten geändert werden, um die Dehnungskoeffizienten zu bestimmen.

Das Verfahren umfasst ferner den Schritt der Ausgabe des Steuersignals für das elektronische Modul. Das Steuersignal wird basierend auf den bestimmten Dehnungskoeffizienten ausgegeben. Das Steuersignal kann von dem neuronalen Netzwerk erzeugt und an eine dafür ausgebildete Vorrichtung zur elektrischen Signalverarbeitung ausgegeben werden. Alternativ können die von dem neuronalen Netzwerk bestimmte Dehnungskoeffizienten an eine dafür ausgebildete Vorrichtung zur elektrischen Signalverarbeitung ausgegeben werden. Die Vorrichtung zur elektrischen Signalverarbeitung kann die empfangenen Dehnungskoeffizienten in das Steuersignal umwandeln und dieses beispielsweise an eine Steuereinrichtung des elektronischen Moduls ausgeben. Das Steuersignal kann von weiteren, mit dem elektronischen Modul in Verbindung stehenden Komponenten verwendet werden. Beispielweise kann das Steuersignal zur Ansteuerung einer dieser Komponenten verwendet werden. Alternativ oder zusätzlich können die bestimmten Dehnungskoeffizienten anhand des Steuersignals auf einer Anzeigeeinheit dargestellt werden.

Das vorgeschlagene Verfahren ermöglicht das Bestimmen von temperaturabhängigen Dehnungskoeffizienten eines elektronischen Moduls und die Erzeugung eines Steuersignals in Abhängigkeit der bestimmten Dehnungskoeffizienten mittels eines neuronalen Netzwerks. Hierdurch kann auf die Verwendung von klassischen mathematischen Modellen verzichtet werden, welche im Allgemeinen sehr komplex und daher zeitaufwendig zu berechnen sind. Durch die Verwendung eines neuronalen Netzwerks kann somit einerseits die zum Bestimmen der Dehnungskoeffizienten benötigte Berechnungszeit reduziert werden. Ferner ermöglicht das vorgeschlagene Verfahren das Steuern des elektronischen Moduls mittels des ausgegebenen Steuersignals basierend auf den bestimmten Dehnungskoeffizienten. Aufgrund der reduzierten Berechnungszeit zum Bestimmen der Dehnungskoeffizienten können auch kurzfristige auftretende oder vergleichsweise schnell stattfindende Änderungen der Dehnungskoeffizienten erkannt werden. Insbesondere bei einer thermischen Überlastung des elektronischen Moduls kann es zu einer vergleichsweise schnellen Änderung der Dehnungskoeffizienten kommen. Mittels des mit verkürzter Berechnungszeit erzeugbaren Steuersignals kann auf diese schnelle Änderung der Dehnungskoeffizienten reagiert und so einer Schädigung des elektronischen Moduls entgegengewirkt werden. Die Lebensdauer des elektronischen Moduls kann dadurch erhöht werden.

Nach einer Ausführungsform werden die Eingabedaten an vorgegebenen Positionen des elektronischen Moduls erfasst. Die Dehnungskoeffizienten werden in Abhängigkeit der vorgegebenen Positionen des elektronischen Moduls bestimmt. Die vorgegebenen Positionen können Abschnitte des elektronischen Moduls sein, welche im Betrieb desselben einer vergleichsweise hohen thermischen Belastung ausgesetzt sind. Beispielweise können die Eingabedaten an stromführenden Leitungsdrähten, an Lötstellen, an Platinen oder an Verbindungsabschnitten des elektronischen Moduls erfasst werden, an welchen das elektronische Modul mit elektrischem Strom versorgt wird beziehungsweise mit anderen elektromechanischen Bauteilen verbunden werden kann. Mittels des vorgeschlagenen Verfahrens können somit an Positionen, an welchen die Gefahr einer Beschädigung des elektronischen Moduls besonders hoch ist, die Dehnungskoeffizienten mittels des neuronalen Netzwerks bestimmt und das Steuersignal ausgeben werden. Die Lebensdauer des elektronischen Moduls kann somit erhöht werden. Gemäß einer weiteren Ausführungsform umfasst das Verfahren ferner das Erzeugen eines mathematischen Modells des elektronischen Moduls und das Aufteilen des mathematischen Modells des elektronischen Moduls in eine Vielzahl vorgegebener Teilbereiche. Für jeden der Teilbereiche wird von dem neuronalen Netzwerk ein Dehnungskoeffizient bestimmt. Beispielweise kann ein elektrodynamisches, ein thermisches oder ein mechanisches Simulationsmodell des elektronischen Moduls mittels bekannter mathematischer Verfahren erstellt werden. Dieses Modell kann beispielsweise mithilfe der Finite-Elemente-Methode in Teilbereiche mit einer geometrischen Form zerlegt werden, für welche ein zu bestimmender Parameter jeweils einfacher zu berechnen ist als für das Gesamtmodell. Für jeden dieser Teilbereiche kann von dem neuronalen Netzwerk ein Dehnungskoeffizient bestimmt werden. Aus den für die jeweiligen Teilbereiche bestimmten Dehnungskoeffizienten kann für das mathematische Modell, beispielsweise durch Mittelwertbildung, ein Gesamtdehnungskoeffizient beziehungsweise eine Verteilung der Dehnungskoeffizienten bestimmt werden. Die zur Bestimmung der Dehnungskoeffizienten benötigte Berechnungszeit kann hierdurch weiter verkürzt werden.

Nach einer weiteren Ausführungsform umfasst das Verfahren das Ermitteln einer verbleibenden Betriebsdauer des elektronischen Moduls bis zum Überschreiten einer vorgegebenen Beschädigungsschwelle desselben. Die verbleibende Betriebsdauer wird basierend auf dem ausgegebenen Steuersignal ermittelt. Die verbleibende Betriebsdauer kann beispielsweise in einer Anzahl von Betriebsstunden oder einem Prozentwert angegeben werden. Das Steuersignal kann beispielsweise an eine dafür ausgebildete Vorrichtung zur elektrischen Signalverarbeitung ausgegeben werden, welche anhand der Steuersignals die temperaturabhängigen Dehnungskoeffizienten des elektronischen Moduls ermitteln kann. Aus den temperaturabhängigen Dehnungskoeffizienten kann eine thermische Belastung verschiedener Bereiche des elektronischen Moduls ermittelt werden. Die thermische Belastung kann einen Einfluss auf die verbleibende Betriebsdauer des elektronischen Moduls haben.

Die vorgegebene Beschädigungsschwelle kann repräsentativ für eine irreparable Beschädigung des elektronischen Moduls sein. Alternativ oder zusätzlich kann die vorgegebene Beschädigungsschwelle überschritten sein, wenn die Funktionsfähigkeit des elektronischen Moduls eingeschränkt ist. Die Beschädigung des elektronischen Moduls kann beispielsweise anhand eines Vergleichs verschiedener Betriebsparameter des elektronischen Moduls mit zeitlich vorangegangenen Werten dieser Betriebsparameter, insbesondere bei Inbetriebnahme des elektronischen Moduls, erfolgen. Aufgrund der durch das neuronale Netzwerk verkürzten Berechnungszeit zum Bestimmen der Dehnungskoeffizienten kann somit anhand des Steuersignals eine Beschädigung des elektronischen Moduls frühzeitig erkannt werden.

Nach einer weiteren Ausführungsform umfasst das Verfahren das Ändern zumindest eines Betriebsparameters des elektronischen Moduls mittels des Steuersignals. Betriebsparameter des elektronischen Moduls können beispielsweise eine elektrische Spannung, eine Stromstärke oder eine Temperatur des elektronischen Moduls sein. Mittels des Steuersignals kann beispielweise durch Ansteuern einer Stromquelle die an dem elektronischen Modul anliegende elektrische Spannung beziehungsweise Stromstärke verringert oder erhöht werden. Alternativ oder zusätzlich kann mittels des Steuersignals durch Ansteuern einer Kühlvorrichtung die Temperatur des elektronischen Moduls angepasst werden. Hierdurch kann das Auftreten von Beschädigungen des elektronischen Moduls verhindert werden.

Die Erfindung bezieht sich in einem zweiten Aspekt auf ein Verfahren zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen. Das Verfahren weist die folgenden Schritte auf: Bereitstellen von Eingabedaten für das neuronale Netzwerk, welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls umfassen; Bereitstellen von Dehnungskoeffizienten des elektronischen Moduls als Ausgabedaten; und Trainieren des neuronalen Netzwerks mit den Eingabedaten und den Ausgabedaten, um einen Zusammenhang der Eingabedaten mit den Dehnungskoeffizienten zu lernen und ein Steuersignal für das elektronische Modul basierend auf den Dehnungskoeffizienten auszugeben.

Unter einem Bereitstellen der Eingabedaten und Ausgabedaten kann ein Bestimmen, das heißt ein Erfassen, ein Messen beziehungsweise ein synthetisches Erzeugen der Eingabedaten und Ausgabedaten verstanden werden. Alternativ oder zusätzlich kann unter einem Bereitstellen ein Auswählen verstanden werden, ob ein Wert der erfassten Temperaturen als Eingabedaten für das Training des neuronalen Netzwerks geeignet ist. Beispielsweise kann ein Wert der erfassten Temperaturen dann nicht als Eingabedaten für das Training des neuronalen Netzwerks geeignet sein, wenn dieser keinen beziehungsweise keinen ausreichenden Einfluss auf die Dehnungskoeffizienten hat. Die Eingabedaten können beispielsweise mittels einer Eingabevorrichtung an zumindest einen der Eingangsknoten des neuronalen Netzwerks übertragen werden. Analog können die Ausgabedaten beispielsweise mittels einer Eingabevorrichtung an zumindest einen der Ausgangsknoten des neuronalen Netzwerks übertragen werden.

Das neuronale Netzwerk gemäß dem Verfahren des ersten Aspekts kann nach dem Verfahren des zweiten Aspekts trainiert werden. Hierdurch können die technischen Effekte und Vorteile der beiden Aspekte kombiniert werden.

Nach einer Ausführungsform umfasst das Bereitstellen der Eingabedaten und der Ausgabedaten ferner ein Vorverarbeiten der Eingabedaten und der Ausgabedaten. Das Vorverarbeiten umfasst zumindest eines der folgenden: ein Normalisieren der Daten auf eine einheitliche Skala; ein Skalieren der Daten auf eine einheitliche Skala; ein Vergleichen der Daten mit in einem zeitlich vorangegangenen Trainierschritt verwendeten Daten; eine Reduzierung einer Dimension der Daten; und ein Aufteilen der Daten in Untermengen zum Trainieren, Validieren und Testen des neuronalen Netzwerks während des Trainings.

Beim Normalisieren der Daten können diese durch mathematische Umformung umgewandelt werden, sodass alle Daten auf einer gemeinsamen Skala darstellbar sind. Alternativ oder zusätzlich können die Daten mit einem Skalar multipliziert werden, sodass alle Daten auf einer gemeinsamen Skala darstellbar sind. Beim Vergleichen der Daten mit zeitlich vorangegangenen Daten kann beispielweise eine Differenz der im aktuellen Trainierschritt verwendeten Daten und der zeitlich vorangegangene Daten gebildet werden. Die Reduzierung mehrdimensionaler Daten kann beispielsweise mittels einer Hauptachsentransformation der als mehrdimensionalen Matrix darstellbaren Daten erfolgen. Die zum Trainieren, Validieren und Testen des neuronalen Netzwerks verwendeten Untermengen der Eingabedaten und Ausgabedaten können im Wesentlichen gleich groß sein. Insbesondere kann eine Dimension der jeweiligen Untermengen gleich einer Dimension der jeweiligen anderen Untermengen sein. Durch das Vorverarbeiten der Eingabedaten und Ausgabedaten kann der Trainiervorgang des neuronalen Netzwerks beschleunigt werden.

Gemäß einer Ausführungsform erfolgt das Trainieren des neuronalen Netzwerks mittels Vorwärts- und Rückwärtspropagation durch das neuronale Netzwerk einer ersten Abweichung des von dem neuronalen Netzwerk bestimmten Zusammenhangs von einem Sollwert. Die erste Abweichung wird basierend auf der zum Trainieren verwendeten Untermenge der Eingabedaten und Ausgabedaten ermittelt. Die erste Abweichung kann beispielweise als Differenz eines von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten und eines als Ausgabedaten verwendeten Dehnungskoeffizienten als Sollwert bestimmt werden. Die erste Abweichung kann von den Eingabeknoten über die Zwischenknoten des neuronalen Netzwerks zu den Ausgabeknoten übertragen und bei jedem Übertragungsschritt neu berechnet werden. Hierbei kann die Gewichtung der einzelnen Verbindungen der Knoten des neuronalen Netzwerks jeweils angepasst werden. Anschließend kann die durch diese Vorwärtspropagation von den Eingabeknoten zu den Ausgabeknoten angepasste erste Abweichung in umgekehrter Richtung, also von den Ausgabeknoten über die Zwischenknoten zu den Eingabeknoten erneut übertragen und die Gewichtung der einzelnen Verbindungen der Knoten des neuronalen Netzwerks bei jedem Übertragungsschritt entsprechend angepasst werden. Hierdurch kann die Genauigkeit der des von dem neuronalen Netzwerk während des Trainings erzielten Ergebnisse verbessert werden.

Nach einer Ausführungsform wird ferner eine zweite Abweichung des von dem neuronalen Netzwerk bestimmten Zusammenhangs von einem Sollwert, basierend auf der zum Validieren verwendeten Untermenge der Eingabedaten und Ausgabedaten ermittelt wird. Die zweite Abweichung kann analog zu der ersten Abweichung beispielweise als Differenz eines von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten und eines als Ausgabedaten verwendeten Dehnungskoeffizienten als Sollwert bestimmt werden. Die Eingabedaten und Ausgabedaten sind hierbei Teil der zum Validieren verwendeten Untermenge. Die erste und die zweite Abweichung können verglichen werden, um eine Genauigkeit der von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten zu bestimmen. Gemäß einer Ausführungsform wird ferner eine dritte Abweichung des von dem neuronalen Netzwerk bestimmten Zusammenhangs von einem Sollwert, basierend auf der zum Testen verwendeten Untermenge der Eingabedaten und Ausgabedaten ermittelt. Die dritte Abweichung kann analog zu der ersten Abweichung und der zweiten Abweichung beispielweise als Differenz eines von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten und eines als Ausgabedaten verwendeten Dehnungskoeffizienten als Sollwert bestimmt werden. Die Eingabedaten und Ausgabedaten sind hierbei Teil der zum Testen verwendeten Untermenge. Die erste und die dritte Abweichung können verglichen werden, um eine Genauigkeit der von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten zu bestimmen.

Nach einer Ausführungsform wird das Trainieren des neuronalen Netzwerks beendet, wenn zumindest eine der folgenden Bedingungen erfüllt ist: ein Unterschreiten eines vorgegebenen Schwellenwerts für die erste Abweichung; ein Unterschreiten eines vorgegebenen Schwellenwerts für eine Differenz der ersten und der zweiten Abweichung; und ein Unterschreiten eines vorgegebenen Schwellenwerts für eine Differenz der ersten und der dritten Abweichung. Der erste Schwellenwert kann beispielsweise unterschritten sein, wenn die erste Abweichung kleiner als 10 ^-4 oder 10 ^-5 oder 10’ ⁶ ist. Liegt die erste Abweichung unterhalb des ersten Schwellenwerts, kann davon ausgegangen werden, dass das neuronale Netzwerk die Dehnungskoeffizienten mit ausreichender Genauigkeit berechnen kann.

Der zweite Schwellenwert kann beispielsweise unterschritten sein, wenn die erste Abweichung und die zweite Abweichung die gleiche Größenordnung haben, also beispielsweise beide im Bereich zwischen 10’ ⁴ und 10’ ⁵ liegen. Ist der zweite Schwellenwert unterschritten, kann davon ausgegangen werden, dass das trainierte neuronale Netzwerk die unbekannten Daten der zum Validieren verwendeten Untermenge der Eingabe und Ausgabedaten, welche der gleichen Systematik folgen wie die zum Trainieren verwendete Untermenge der Eingabedaten und Ausgabedaten, mit ausreichender Genauigkeit berechnen kann. Der dritte Schwellenwert kann beispielsweise unterschritten sein, wenn die erste Abweichung und die dritte Abweichung die gleiche Größenordnung haben, also beispielsweise beide im Bereich zwischen 10’ ⁴ und 10’ ⁵ liegen. Ist der dritte Schwellenwert unterschritten, kann davon ausgegangen werden, dass das trainierte neuronale Netzwerk die unbekannten Daten der zum Testen verwendeten Untermenge der Eingabe und Ausgabedaten mit ausreichender Genauigkeit berechnen kann.

Gemäß einer Ausführungsform wird das Verfahren auf ein elektronisches Modul eines Spannungswandlers angewandt. Das elektronische Modul umfasst eine Mehrzahl von Komponenten, welche im Betriebszustand zeitinvariante Temperaturen aufweist. Ein Spannungswandler kann zum Umwandeln von Gleichspannung in Wechselspannung beziehungsweise zum Umwandeln von Wechselspannung in Gleichspannung verwendet werden. Beispielweise kann ein Spannungswandler beim Laden von elektromotorisch angetriebenen Fahrzeugen verwendet werden. Abhängig von den verwendeten Stromstärken beziehungsweise elektrischen Spannungen kann ein Spannungswandler im Betrieb einer hohen thermischen Belastung ausgesetzt sein. Aufgrund der durch das neuronale Netzwerk verkürzten Berechnungszeit eignet sich das Verfahren gemäß des ersten und des zweiten Aspekts besonders gut, um Beschädigungen des Spannungswandlers frühzeitig erkennen zu können.

Die Erfindung bezieht sich in einem dritten Aspekt auf eine Steuereinrichtung zur Erzeugung eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks. Die Steuereinrichtung umfasst ein von einem Computer lesbares Speichermedium, auf welchem das neuronale Netzwerk zur Erzeugung des Steuersignals gespeichert ist. Ferner umfasst die Steuereinrichtung eine Eingabevorrichtung zur Eingabe von Eingabedaten in das neuronale Netzwerk, welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls umfassen. Das neuronale Netzwerk ist zum Bestimmen von Dehnungskoeffizienten des elektronischen Moduls ausgebildet, basierend auf einem von dem neuronalen Netzwerk gelernten Zusammenhang zwischen den Eingabedaten und den Dehnungskoeffizienten. Die Steuereinrichtung umfasst ferner eine Ausgabevorrichtung zur Ausgabe des Steuersignals, basierend auf den bestimmten Dehnungskoeffizienten. Die genannten Vorrichtungen der Steuereinrichtung gemäß dem dritten Aspekt können zum Empfangen, zur Verarbeitung und zur Weiterleitung von elektrischen Signalen ausgebildet sein. Die genannten Vorrichtungen der Steuereinrichtung gemäß dem dritten Aspekt können zur Durchführung des Verfahrens gemäß dem ersten Aspekt und/oder dem zweiten Aspekt ausgebildet sein. Analog kann das Verfahren gemäß dem ersten Aspekt beziehungsweise dem zweiten Aspekt von der Steuereinrichtung gemäß dem dritten Aspekt durchgeführt werden. Die zu dem ersten beziehungsweise dem zweiten Aspekt erläuterten Ausführungsformen, technischen Effekte und Vorteile gelten somit analog auch für die Steuereinrichtung nach dem dritten Aspekt.

Kurze Beschreibung der Zeichnungen

Figur 1 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks, nach einer Ausführungsform der Erfindung.

Figur 2 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen, nach einer weiteren Ausführungsform der Erfindung.

Figur 3 zeigt schematisch eine Steuereinrichtung zur Erzeugung eines Steuersignals für ein elektronisches Modul mit einem neuronalen Netzwerk gemäß einer weiteren Ausführungsform der Erfindung.

Detaillierte Beschreibung von Ausführungsformen

Figur 1 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks nach einer Ausführungsform der Erfindung. Im Ausführungsbeispiel der Figur 1 ist das elektronische Modul ein nicht dargestellter Spannungswandler, welcher zum wechselseitigen Umwandeln von Gleichspannung in Wechselspannung verwendet wird. Abhängig von den angelegten Spannungen und verwendeten Stromstärke kann ein Spannungswandler im Betrieb teilweise hohen Temperaturschwankungen ausgesetzt sein. Diese Temperaturschwankungen können zu einer Beschädigung des Spannungswandlers führen. Zum Feststellen einer Beschädigung ist die Bestimmung einer durch die Temperaturschwankungen hervorgerufenen Wärmeausdehnung notwendig. Diese Wärmeausdehnung kann anhand von Dehnungskoeffizienten des elektronischen Moduls bestimmt werden. Mittels eines auf den Dehnungskoeffizienten basierenden Steuersignals kann einer Beschädigung des Spannungswandlers durch die Temperaturausdehnung entgegengewirkt werden.

Hierzu werden in einem ersten Erzeugungsschritt ES1 Eingabedaten in das neuronale Netzwerk eingegeben. Im Ausführungsbeispiel der Figur 1 umfassen die Eingabedaten zu einem vorgegebenen Zeitpunkt erfasste Temperaturen des elektronischen Moduls. Die Temperaturen werden an fünf vorgegebenen Positionen des elektronischen Moduls, wie beispielsweise an Leitungsdrähten, Schweißnähten, Transistoren, Dioden oder weiteren Halbleiterbauelementen erfasst. Im Ausführungsbeispiel der Figur 1 werden die Temperaturen zeitgleich an den fünf vorgegebenen Positionen erfasst. In einem nicht dargestellten Ausführungsbeispiel werden die Temperaturen an den fünf vorgegebenen Positionen mit vorgegebenen zeitlichen Abständen erfasst. Die Erfassung der Temperaturen kann zu vorgegebenen Zeitpunkten wiederholt werden.

In einem zweiten Ermittlungsschritt ES2 werden durch das neuronale Netzwerk Dehnungskoeffizienten des elektronischen Moduls bestimmt. Die Dehnungskoeffizienten werden basierend auf einem von dem neuronalen Netzwerk gelernten Zusammenhang zwischen den Eingabedaten und den Dehnungskoeffizienten bestimmt. Im Ausführungsbeispiel der Figur 1 werden die Dehnungskoeffizienten hinsichtlich einer jeweiligen Längenänderung an den vorgegebenen Positionen des elektronischen Moduls bestimmt. Die Dehnungskoeffizienten können ebenfalls hinsichtlich einer jeweiligen Flächenänderung oder einer jeweiligen Volumenänderung an den vorgegebenen Positionen des elektronischen Moduls bestimmt werden.

Zur Bestimmung der Dehnungskoeffizienten werden die an die Eingangsknoten des neuronalen Netzwerks übertragenen Eingabedaten über von dem neuronalen Netzwerk mathematisch gewichtete Verbindungen an Zwischenknoten des neuronalen Netzwerks übertragen. Auf den Zwischenknoten werden die übertragenen Eingabedaten verarbeitet und über von dem neuronalen Netzwerk mathematisch gewichtete Verbindungen an Ausgangsknoten des neuronalen Netzwerks übertragen. Die mathematische Gewichtung der jeweiligen Verbindungen wurde von dem neuronalen Netzwerk während eines dem Erzeugungsverfahrens zeitlich vorangehenden Trainingsvorgangs des neuronalen Netzwerks basierend auf einem Trainingsdatensatz angepasst. Auf zumindest einem Ausgangsknoten des neuronalen Netzwerks liegt am Ende der Verfahrensdurchführung ein Wert für einen Dehnungskoeffizienten vor.

In einem dritten Ermittlungsschritt ES3 wird ein Steuersignal für das elektronische Modul ausgegeben. Das Steuersignal wird basierend auf den von dem neuronalen Netzwerk bestimmten Dehnungskoeffizienten ausgegeben. Das Steuersignal wird im Ausführungsbeispiel der Figur 1 an eine Ausgabevorrichtung ausgegeben, welche das Steuersignal verarbeiten oder an weitere, mit dem elektronischen Modul in Verbindung stehende Komponenten übertragen kann.

Durch die Verwendung eines neuronalen Netzwerks zur Bestimmung von Dehnungskoeffizienten kann auf die üblicherweise notwendigen komplexen elektrodynamischen, thermischen beziehungsweise mechanischen Simulationen des elektronischen Moduls verzichtet werden. Die für die Ausgabe des Steuersignals notwendige Berechnungszeit kann somit verkürzt werden. Mittels des von den bestimmten Dehnungskoeffizienten abhängigen Steuersignals kann eine verbleibende Betriebsdauer des elektronischen Moduls in im Vergleich zu den üblicherweise verwendeten komplexen Simulationen verkürzter Berechnungszeit ermittelt werden. Eine Beschädigung des elektronischen Moduls kann somit frühzeitig erkannt werden.

Figur 2 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen, nach einer weiteren Ausführungsform der Erfindung.

In einem ersten Trainierschritt TS1 werden Eingabedaten für das neuronale Netzwerk bereitgestellt. Die Eingabedaten umfassen jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls. Die Eingabedaten werden an zumindest einen Eingangsknoten des neuronalen Netzwerks übertragen. In einem zweiten Trainierschritt TS2 werden Dehnungskoeffizienten des elektronischen Moduls als Ausgabedaten bereitgestellt. Die Dehnungskoeffizienten sind im Ausführungsbeispiel der Figur 1 gemessene Werte. In einem nicht dargestellten Ausführungsbeispiel sind die Dehnungskoeffizienten synthetisch erzeugt. Die Ausgabedaten werden an zumindest einen Ausgangsknoten des neuronalen Netzwerks übertragen.

In einem dritten Trainierschritt TS3 wird das neuronale Netzwerk mit den Eingabedaten und den Ausgabedaten trainiert, um einen Zusammenhang der Eingabedaten mit den Dehnungskoeffizienten zu lernen. Ferner wird das neuronale Netzwerk trainiert, um ein Steuersignal für das elektronische Modul basierend auf den Dehnungskoeffizienten auszugeben.

Das zum Erzeugen eines Steuersignals verwendete neuronale Netzwerk gemäß der Ausführungsform der Figur 1 kann gemäß dem Verfahren der Ausführungsform der Figur 2 trainiert werden.

Figur 3 zeigt schematisch eine Steuereinrichtung 10 zur Erzeugung eines Steuersignals 26 für ein nicht dargestelltes elektronisches Modul mit einem neuronalen Netzwerk 12 gemäß einer weiteren Ausführungsform der Erfindung.

Die Steuereinrichtung 10 umfasst ein von einem Computer lesbares Speichermedium 14, auf welchem das neuronale Netzwerk 12 gespeichert ist. Die Steuereinrichtung 10 umfasst ferner eine Eingabevorrichtung 16, welche zum Empfang von zu einem vorgegebenen Zeitpunkt erfassten Temperaturen 18 des elektronischen Moduls ausgebildet ist. Die Eingabevorrichtung 16 überträgt die Temperaturen 18 als Eingabedaten 20 an das neuronale Netzwerk 12.

Aus den Eingabedaten 20 werden von dem neuronalen Netzwerk 12 Dehnungskoeffizienten 22 des elektronischen Moduls gemäß der Ausführungsform der Figuren 1 und 2 bestimmt. Die bestimmten Dehnungskoeffizienten 22 werden von dem neuronalen Netzwerk 12 an eine Ausgabevorrichtung 24 übertragen. Die Ausgabevorrichtung 24 erzeugt basierend auf den bestimmten Dehnungskoeffizienten 22 ein Steuersignal 26. Mittels des auf den bestimmten Dehnungskoeffizienten der 22 basierenden Steuersignals kann eine verbleibende Betriebsdauer des elektronischen Moduls bis zum Überschreiten einer vorgegebenen Beschädigungsschwelle ermittelt werden. Alternativ oder zusätzlich kann mittels des auf den bestimmten Dehnungskoeffizienten 22 basierenden Steuersignals zumindest ein Betriebsparameter des elektronischen Moduls geändert werden.

Bezuqszeichen

10 Steuereinrichtung

12 Neuronales Netzwerk

14 Speichermedium

16 Eingabevorrichtung

18 Temperaturen

20 Eingabedaten

22 Dehnungskoeffizienten

24 Ausgabevorrichtung

26 Steuersignal

ES1 erster Ermittlungsschritt

ES2 zweiter Ermittlungsschritt

ES3 dritter Ermittlungsschritt

TS1 erster Trainierschritt

TS2 zweiter Trainierschritt

TS3 dritter Trainierschritt