Aus der DE 198 40 164 A1 ist ein Verfahren zum Verstellen eines zwischen zwei Stellun- gen translatorisch bewegbaren Bauteils bekannt, bei dem die momentane Krafteinwir- kung auf das translatorisch bewegbare Bauteil aus der Periodendauer eines Antriebsmo- tors, der Teil einer das translatorisch vestellbare Bauteil verstellenden Antriebseinrich- tung ist, aus Kraftänderungswerten, die aus Änderungen der Drehzahl des Antriebsmo- tors berechnet werden, und aus den aufsummierten und über Gleichungssysteme, die anhand eines mathematischen Modells der gesamten Verstellvorrichtung einschließlich des Antriebs erstellt wurden, gewichtete Kraftänderungswerte ermittelt werden, die aus- schließlich vom Verhalten des Antriebsmotors abhängen. Die momentane Krafteinwir- kung auf das translatorisch bewegbare Bauteil wird als Kriterium für das Abschalten oder Reversieren des Antriebsmotors herangezogen, wobei bei der Berechnung der Kraftän- derungswerte für jeden Drehzahländerungswert, der einen oberen Schwellwert über- steigt, der Wert dieses oberen Schwellwertes anstelle des Drehzahländerungswertes herangezogen wird.

Zur Begrenzung der Anzahl der zu erfassenden physikalischen Größen und der Häufig- keit der Abtastungen der physikalischen Größen wird die Periodendauer der Umdrehun- gen des Antriebsmotors mittels eines Magnetrades und zweier Hall-Sensoren erfasst.

Aus der erfassten Periodendauer in Verbindung mit verschiedenen, empirisch oder

messtechnisch erfassten Parametern wird eine fein gerasterte Überwachung der Ein- klemmschutzkriterien durch Extrapolation der erfassten Periodendauer angestrebt.

Dazu werden zur Bestimmung der momentanen Krafteinwirkung auf das translatorisch bewegbare Bauteil die nur periodenweise zur Verfügung stehenden Messwerte der Peri- odendauer extrapoliert, wobei die bei der Extrapolationsformel verwendeten Parameter das Gesamtsystem der Antriebsvorrichtung modulieren und durch die Federsteifigkeiten, Dämpfungen und Reibungen des Gesamtsystems bestimmt sind. Dadurch werden spekt- rale Anteile des Periodenzeitverlaufs, die von Vibrationen herrühren, schwächer bewertet als solche, die von einem Einklemmfall herrühren. Aus den so bestimmten Schätzwerten für die Periodendauer wird dann die Drehzahländerung zu einem Zeitpunkt, bezogen auf den vorhergehenden Zeitpunkt unter Verwendung eines Motorspannungsfilters und eines Wegprofilfilters abgeschätzt, um Einflüsse der Motorspannung und der Position des be- weglichen Fahrzeugteils auf die Motordrehzahl zu eliminieren.

Die für die Elimination der Motorspannung und Position des translatorisch bewegbaren Bauteils auf die Motordrehzahl verwendeten Größen bilden unter anderem das dynami- sche Verhalten des Antriebsmotors bei Spannungsänderungen nach. Eine weitere Kor- rektur wird dadurch vorgenommen, dass die abgeschätzten Drehzahländerungen mit einer festgesetzten, zeitlich konstanten Untergrenze verglichen werden. Soweit die ab- geschätzten Drehzahländerungen diese Untergrenze übersteigen, werden sie mit einem Proportionalitätsfaktor multipliziert, der die Steilheit der Motorkennlinie des Antriebsmo- tors wiedergibt.

Aus der DE 40 20 351 C2 ist ein Verfahren zur Steuerung einer Fensterscheibe eines Kraftfahrzeugs bekannt, bei dem ein Korrekturverfahren angewendet wird, um ein Ein- klemmschutzkriterium abzuleiten, mit dem ein zu frühes Ansprechen einer Einklemm- schutzvorrichtung verhindert werden soll. Zu diesem Zweck versorgt eine erste Sensor- einrichtung eine Steuerelektronik mit ursächlich mit der Fensterscheibe und der die Fens- terscheibe bewegenden Antriebseinrichtung zusammenhängenden Signalen wie Bord- spannung, Fensterhebergeschwindigkeit, Drehmoment des Antriebs, Scheibengewicht usw., während ein zweites Sensorelement die Steuerelektronik mit ursächlich nicht mit der Fensterscheibe und der Antriebseinrichtung zusammenhängenden Signalen ver- sorgt, nämlich mit auf die Karosserie einwirkenden Beschleunigungskräften. Um ein fälschliches Abschalten oder Reversieren der Einklemmschutzvorrichtung zu verhindern,

werden die Signale des zweiten Sensorelementes als Grundpegel verwendet und die Signale der ersten Sensoreinrichtung unter Sicherheitsaspekten bewertet.

Bei dem bekannten Verfahren wird von einer relativen Erkennung eines Kraftaufbaus durch einen Anstieg der Periodendauer Gebrauch gemacht, das heißt, die Kraftänderun- gen in aufeinanderfolgenden Zeitabschnitten werden miteinander verglichen, wodurch der Anlauf des translatorisch bewegbaren Bauteils nur schwer vom Einklemmen eines Objekts im Verstellweg des translatorisch bewegbaren Bauteils unterschieden werden kann.

Bei Spannungssprüngen im Bordnetz eines Kraftfahrzeugs und beim Befahren von Schlechtwegstrecken erfolgt durch die bekannten Verfahren eine Überkompensation der Störgrößen, was zu hohen Offsets mit sehr hohen Kräften führt, so dass die zulässigen Einklemmkräfte überschritten werden. Ein weiterer Nachteil der bekannten Verfahren besteht darin, dass eine Erkennung der auf das translatorisch bewegbare Bauteil einwir- kenden Kraft nur bei einem Anstieg in der Periodendauer möglich ist, was zu hohen Kräf- ten bei einer Degression der Periodendauer führt, das heißt bei einer Abnahme der Peri- odendauer, beispielsweise infolge einer Leichtgängigkeit des translatorisch bewegbaren Bauteils, was ebenfalls zu erhöhten Einklemmkräften führt.

Alters-und verschleißbedingte Veränderungen im Verlauf des Verstellwegs des transla- torisch bewegbaren Bauteils werden bei dem bekannten Verfahren durch Parameterän- derungen kompensiert, was eine Nachführung des Regelalgorithmus und ein entspre- chend aufwändiges Regelungsverfahren bedingt.

Schließlich sind die bekannten Verfahren an die Auswahl einer bestimmten Anzahl unter- schiedlicher Parameter gebunden, die für das Abschalten bzw. Reversieren des transla- torisch bewegbaren Bauteils maßgeblich sind, was bei einer größeren Parameterzahl einen entsprechenden Aufwand an Sensorik und Regelungstechnik mit sich bringt.

Aus der DE 101 96 629 T1 ist die Anwendung eines neuronalen Netzes in einem Sen- sorsystem für ein angetriebenes Schließsystem und ein Verfahren zum bedarfsweisen Verhindern des Schließens eines angetriebenen Schließsystems bekannt, bei dem das Sensorsystem Gegenstände vor dem Einklemmen durch einen Näherungssensor er- kennt. Die bei den vorstehend angegebenen bekannten Verfahren auftretenden Proble- me beziehen sich jedoch auf eine Erfassung von Signalen der Antriebseinrichtung, was

eine Auswertung und Fehlerkorrektur wegen der wechselseitigen Einflussgrößen beson- ders schwierig macht.

Aufgabe der vorliegenden Erfindung ist es, ein Verfahren zum Überwachen der Verstell- bewegung eines von einer Antriebseinrichtung angetriebenen translatorisch oder rotato- risch verstellbaren Bauteils anzugeben, das die unterschiedlichen Einflussgrößen auf die Verstell-, Einklemm-oder Reversierkraft berücksichtigt, an Veränderungen der Einfluss- größen automatisch anpassbar ist und eine hohe Flexibilität bei der Berücksichtigung der Einflussgrößen auf einen Einklemmschutz aufweist.

Diese Aufgabe wird erfindungsgemäß durch die Merkmale des Anspruchs 1 gelöst.

Die erfindungsgemäße Lösung stellt ein Verfahren zum Überwachen der Verstellbewe- gung eines von einer Antriebseinrichtung angetriebenen translatorisch oder rotatorisch verstellbaren Bauteils, insbesondere durch Ermittlung einer Verstell-, Einklemm-oder Reversierkraft, mit einstellbarer Empfindlichkeit zur Verfügung, das die unterschiedlichs- ten Einflussgrößen auf die Verstell-, Einklemm-oder Reversierkraft berücksichtigt, an Veränderungen der Einflussgrößen automatisch anpassbar ist und eine hohe Flexibilität bei der Berücksichtigung der Einflussgrößen auf einan Einklemmschutz aufweist.

Im einzelnen stellt die erfindungsgemäße Lösung sicher, dass - die Empfindlichkeit der Kraftermittiung bei niedrigen Federraten einstellbar ist ; - Änderungen der Versorgungsspannung nicht zu hohen Kraftschwankungen und insbesondere Spannungssprünge nicht zu einem Reversieren der Verstellbewe- gung oder zu einer Überkompensation führen ; - ein großer Spannungsbereich von beispielsweise 8-17 V gewährleistet ist ; - eine Überlagerung eines Kraftaufbaus bei einer Beschleunigung rechtzeitig erkannt wird ; - fortlaufend Veränderungen im Verstellweg des verstellbaren Bauteils erfasst wer- den ; - die Abschaltkraft des Einklemmschutzes kontinuierlich einstellbar ist ; - die Art der Signalerfassung beliebig ist und - eine einfache Anpassung an kundenspezifische--Forderungen möglich ist.

Die erfindungsgemäße Lösung nutzt die Vorteile eines neuronalen Netzes bei der Ermitt- lung einer Verstell-, Einklemm-oder Reversierkraft, nämlich - die Fähigkeit, aus gegebenen Daten selbständig zu lernen, ohne dafür explizit pro- grammiert werden zu müssen, - das Erkennen von gespeicherten Mustern auch dann, wenn das Eingabemuster in der Lernphase unvollständig oder ein Teil davon fehlerhaft ist sowie von gelernten auf nicht gelernte Probleme zu schließen.

Vorzugsweise wird eine Verzögerung der Verstellbewegung der Antriebseinrichtung durch eine Veränderung der Periodendauer und/oder des Motorstroms und/oder der Mo- torspannung eines Antriebsmotors der Antriebseinrichtung ermittelt.

Das erfindungsgemäße Verfahren macht von einer direkten oder indirekten Erkennung eines Einklemmfalles durch ein Ansteigen der Periodendauer oder des Motorstromes unter Berücksichtigung der Motorspannung des Antriebsmotors der Antriebseinrichtung bzw. durch eine Verknüpfung eines Teils oder sämtlicher Signale Gebrauch. Während im Einklemmfall, der vorzugsweise bei verschiedenen Federraten von beispielsweise 2N/mm, 10N/mm, 20N/mm und 65N/mm mit einem 4mm Stab ermittelt wird, das verstell- bare Bauteil angehalten oder reversiert wird, führt ein Spannungssprung, ein Einlaufen des verstellbaren Bauteils in eine Dichtung oder eine sonstige, auch witterungsbedingte Schwergängigkeit im Verstellweg des verstellbaren Bauteils sowie der Anlauf der An- triebseinrichtung zu einer Fortsetzung der Verstellbewegung.

Während bei vielen der bekannten Verfahren zusätzliche Sensoren wie beispielsweise Näherungssensoren, Beschleunigungssensoren und dergleichen eingesetzt werden, er- folgt bei der erfindungsgemäßen Lösung eine Auswertung der Periodendauer und oder des Motorstroms und/oder der Motorspannung und somit ohne den zusätzlichen Herstel- lungsaufwand durch die Installation entsprechender Sensoren in Verbindung mit einer Einrichtung zur Auswertung der Sensorsignale mit einem geeigneten Algorithmus, der auf viele Einklemmfälle nicht oder nur ungenügend reagiert.

Die aus der Antriebseinrichtung ableitbaren Eingangssignale können wahlweise parallel, d. h. gleichzeitig, oder seriell, beispielsweise im Multiplexverfahren, an die Eingangsneu- ronen der Eingangsschicht des neuronalen Netzes abgegeben werden.

Damit das neuronale Netz in der Lage ist, zu lernen, werden die Eingänge der Eingangs- schicht, der verborgenen Schicht und der Ausgangsschicht sowie die Verbindungen der Eingangsschicht mit der mindestens einen verborgenen Schicht, die Verbindungen der mehreren verborgenen Schichten untereinander und die Verbindung einer verborgenen Schicht mit der Ausgangsschicht verschieden stark gewichtet, wodurch die Verbindun- gen zwischen den einzelnen Schichten unterschiedliche Stärke haben.

Weiterhin besitzen die verborgenen Neuronen der mindestens einen verborgenen Schicht und das mindestens eine Neuron der Ausgangsschicht einen konstanten Schwellwert oder Bias, der den Ausgang der Transferfunktionen der Neuronen in einen stetigen Bereich verschiebt. Dabei sind der Bias und die Gewichte Konstanten, die in der Anwendung bzw. einem Serieneinsatz nicht mehr verändert, beziehungsweise nachge- lernt werden. Sie werden einmal vor dem Serieneinsatz ermittelt und beispielsweise in einem EEProm abgelegt. Der Algorithmus kann dann, falls sich Schwachpunkte im Algo- rithmus aufzeigen, durch eine neue Parametereinstellung, d. h. durch Nachlernen verbes- sert werden. In der Anwendung jedoch bleiben sowohl die Gewichte als auch der Bias bestehen.

In einer Lernphase werden an die Eingangsneuronen, verborgenen Neuronen und/oder Ausgangsneuronen des neuronalen Netzes zufällige Gewichte vergeben, verschiedene an die Eingangsneuronen angelegte Eingangsmuster vorgegeben und der dazugehörige mindestens eine Ausgangswert berechnet wird und in Abhängigkeit vom Unterschied zwischen dem mindestens einen Ausgangswert und mindestens einem Soll- Ausgangswert die Gewichte und/oder der Schwellenwert verändert. Dabei hängt das Maß der Änderung der Gewichte von der Größe des Unterschieds zwischen dem min- destens einen Ausgangswert und dem mindestens einen Soll-Ausgangswert ab.

Die Messung des Ausgangswertes erfolgt vorzugsweise mit einer Kraftmesszange bei unterschiedlichen Federraten, insbesondere bei 2 N/mm und 20 N/mm, wobei die Kraft- messzange analog zu den Eingangswerten den gemessenen Ausgangswert ausgibt.

Entsprechend der direkten oder indirekten Signalerfassung, mit der das Abbremsen der Antriebseinrichtung durch einen Anstieg der Periodendauer und/oder der Stromaufnah- me eines Antriebsmotors der Antriebseinrichtung ermittelt wird, werden den Eingangs- neuronen als Eingangssignale die Motorperiode und oder der Motorstrom und/oder die Motorspannung des Antriebsmotors eingegeben.

Als zusätzliches Eingangssignal wird den Eingangsneuronen eine Adaptionsperiode ein- gegeben, die die bei einer vorgegebenen Referenzspannung berechnete Periode angibt, die zur Position einer in der Lernphase abgelegten Referenzwegstrecke gehört.

In der Lernphase kann die Adaptionsperiode in einem kleineren als dem in der Anwen- dung verwendeten neuronalen Netz berechnet werden, wobei die Adaptionsperiode ge- mittelt wird, indem bei jeder vollen Umdrehung oder in 4 Viertelperioden des Antriebsmo- tors das neuronale Netz eine neue Adaptionsperiode errechnet, die bei der nächsten Verstellbewegung als Adaptionsperiode zur Verfügung gestellt wird.

In einer bevorzugten Ausführung der Erfindung bestehen die Eingangswerte der Ein- gangsneuronen aus den Werten eines Adaptionsanlaufs des verstellbaren Bauteils, den Werten einer Adaptionsperiode beim Verstellen des verstellbaren Bauteils, einem Anlauf- flag, den Ausgangswerten eines Schieberegisters für Spannungswerte des Antriebsmo- tors, den Ausgangswerten eines Schieberegisters für Periodenwerte, der Antriebsmotor- temperatur, der Außentemperatur, einem Geschwindigkeitssignal, einem Schwingflag und einem vorangegangenen Ausgangswert, während als Ausgangswert eines Aus- gangsneurons die neuronal ermittelte Kraft abgegeben wird.

In der Lernphase des neuronalen Netzes werden an die Eingangsneuronen Eingangs- muster angelegt und die von dem mindestens einen Ausgangsneuron abgegebenen Kraftwerte in Abhängigkeit von der gewünschten Empfindlichkeit des Systems bei niedri- gen Federraten ausgewählt bzw. vorgegeben. Dabei besteht der Lernanteil in der Lern- phase des neuronalen Netzes insbesondere aus der Adaptionsperiode, die nach jedem Lauf neu in der Anwendung ermittelt wird.

Die Lernphase erfolgt nach einem weiteren Merkmal der Erfindung vor der betriebsge- mäßen Anwendung in einem Fahrzeug, während bei der betriebsgemäßen Anwendung die in der Lernphase ermittelten Gewichte des neuronalen Netzes festgelegt werden.

Die Verarbeitung von Absolutwerten erfordert zum einen Korrekturkurven, um die Verhal- tensweise bzw. absolute Ausgangswerte beispielsweise eines Antriebssystems bei un- terschiedlichen Parametern zu ermitteln, was zu erheblichen Ungenauigkeiten führt, und zum anderen eine große Anzahl von Eingangsneuronen, um die verschiedenen Einfluss- faktoren hinreichend zu berücksichtigen, was wiederum zu einer erheblichen Rechenleis-

tung des für die Nachbildung eines neuronalen Netzes eingesetzten Mikroprozessors bedeutet. Zur Vermeidung beider Nachteile wird in einer Weiterbildung der Erfindung eine Adaptionseinrichtung zur Ermittlung von auf einen Referenzwert normierten Signa- len der Antriebseinrichtung und Abgabe von Adaptionswerten an die Eingangsschicht des neuronalen Netzes eingesetzt.

Vorzugsweise gibt die Adaptionseinrichtung die Adaptionswerte in Abhängigkeit von der jeweiligen Position des translatorisch oder rotatorisch verstellbaren Bauteils an Ein- gangsneuronen als zusätzliches Eingangssignal ab.

Die Adaptionseinrichtung kann wahlweise aus einem Modell der Antriebseinrichtung, ei- nem Fuzzy-System, einem mathematischen Modell mit einem genetisch generierten Al- gorithmus, insbesondere aber auch aus einem neuronalen Adaptionsnetz bestehen, des- sen Eingangsneuronen mit mindestens einem Signal der Antriebseinrichtung beauf- schlagt sind und dessen mindestens ein Ausgangsneuron die positionsabhängigen A- daptionswerte an das neuronale Netz abgibt.

Um das Verhalten der Antriebseinrichtung bei unterschiedlichen Motorspannungen des Antriebsmotors zu ermitteln, wird die jeweilige Motorspannung auf eine Referenzspan- nung bezogen, wobei die dem neuronalen Netz vom neuronalen Adaptionsnetz zur Ver- fügung gestellten Daten der Periode des zugehörigen Moments auf die Referenzspan- nung bezogen sind, so dass die auf die Referenzspannung geeichte Referenzkurve bei unterschiedlichen Momenten stets korrekt berechnet wird. Als Eingangsdaten des neu- ronalen Adaptionsnetzes werden dabei die Perioden oder die Summe über mehrere Pe- rioden und die dazugehörige Motorspannung zugeführt und das neuronale Adaptionsnetz ermittelt dann im Lauf indirekt das jeweilige Moment und stellt die zugehörige Periode bei der Referenzspannung dem die Einklemm-, Verstell-oder Überschusskraft ermittelnden neuronalen Netz als Eingangswert zur Verfügung.

Zur weiteren Steigerung der Genauigkeit bei der Ermittlung der jeweiligen Verstellkraft der Antriebseinrichtung mittels des neuronalen Netzes können die Eingangsneuronen des neuronalen Adaptionsnetzes mit Zusatzparametern wie der Umgebungstemperatur, Klimadaten oder der Temperatur und des Abkühlverhaltens des Antriebsmotors der An- triebseinrichtung beaufschlagt werden.

Da bislang verwendete Algorithmen zum Erkennen eines EinklemmzustandEes bei niedri- gen Federraten sehr empfindlich sind, um bei hohen Federraten niedrige Einklemmkräfte zu erzielen, führen niedrige Kräfte bei niedrigen Federraten häufig zu einem fehlerhaften Reversieren des Antriebsmotors.

Um ein fehlerhaftes Reversieren des Antriebsmotors beispielsweise aufgrund von Ände- rungen der Verstellkraft des Fensterhebersystems oder Veränderungen des Antriebsmo- tors zu vermeiden, wird nach einem weiteren Merkmal der Erfindung der Antriebsmotor in Abhängigkeit vom Ausgangswert des neuronalen Netzes und der Federrate der An- triebseinrichtung angehalten oder reversiert. Dabei kann die Verknüpfung der Federrate der Antriebseinrichtung mit dem Ausgangswert des neuronalen Netzes mittels einer Lo- gikschaltung, eines mathematischen Modells mit einem Algorithmus oder mittels eines neuronalen Verknüpfungsnetzes erfolgen.

Demzufolge wird die Drehzahldifferenz bei unterschiedlichen Perioden des Antriebsmo- tors genutzt, um hohe Federraten von niedrigen Federraten zu unterscheiden. Die Ent- scheidung für einen Einklemmzustand wird dementsprechend in Abhängig lkeit von dem der Verstellkraft entsprechenden Ausgangswert des neuronalen Netzes und der aus der Drehzahldifferenz ermittelten Federrate getroffen.

Zur Verknüpfung der Federrate der Antriebseinrichtung mit dem Ausgangswert des neu- ronalen Netzes wird die Drehzahl des Antriebsmotors erfasst, die Drehzahldifferenz zwi- schen zwei Perioden gebildet und mit dem Ausgangswert des neuronalen Netzes derart verknüpft wird, dass beim Überschreiten eines ersten Abschalt-Schwellwertes des Ausgangswertes des neuronalen Netzes und einer Drehzahldifferenz, die kleiner ist als ein vorgegebener Drehzahldifferenz-Schwellwert, der Antriebsmotor bis zum Ende der Verstellbewe- gung nur dann angehalten oder reversiert wird, wenn der Ausgangswe rt des neuro- nalen Netzes einen zweiten Abschalt-Schwellwert überschreitet, der größer ist als der erste Abschalt-Schwellwert, beim Überschreiten eines ersten Abschalt-Schwellwertes des Ausgangswertes des neuronalen Netzes und einer Drehzahldifferenz, die größer ist als ein vorgegebener Drehzahldifferenz-Schwellwert der Antriebsmotor angehalten oder reversiert wird, oder beim Überschreiten des zweiten Abschalt-Schwellwertes unabhängig von der Dreh- zahidifferenz der Antriebsmotor angehalten oder reversiert wird.

Vorzugsweise wird beim Überschreiten des ersten Abschalt-Schwellwertes des Aus- gangswertes des neuronalen Netzes und einer Drehzahldifferenz, die kleiner ist als ein vorgegebener Drehzahldifferenz-Schwellwert, ein Anhalten oder Reversieren des An- triebsmotors gesperrt oder verriegelt, auch wenn die Drehzahldifferenz bei der weiteren Verstellbewegung der Antriebseinrichtung größer ist als der vorgegebene Drehzahldiffe- renz-Schwellwert.

Neuronale Netze werden im Stand der Technik in Steuerungsvorrichtungen für Verstell- einrichtungen eines Kraftfahrzeugteiles eingesetzt.

Als Kraftfahrzeugteile kommen dabei grundsätzlich sämtliche motorisch verstellbaren ausgebildeten Kraftfahrzeugteile in Betracht. Dies sind insbesondere solche Kraftfahr- zugteile, deren Verstellweg derart ausgebildet ist, dass die Möglichkeit des Einklem- mens von Hindernissen zwischen dem Kraftfahrzeugteil und anderen Bauelementen des Kraftfahrzeuges besteht. Dies sind insbesondere Fensterscheiben, Schiebetüren, Gurt- bringer und Kraftfahrzeugsitze.

Bekannte Steuerungsvorrichtungen sind derart eingerichtet und ausgebildet, Messgrö- ßen in einer Elektronikeinrichtung mit dem neuronalen Netz auszuwerten und zur Steue- rung der Verstelleinrichtung zu nutzen.

Derartige Messgrößen umfassen sämtliche im Zusammenhang mit dem Kraftfahrzeug und dessen Bauelementen erdenklichen Parameter. Dies sind insbesondere auf das Kraftfahrzeug einwirkende Beschleunigungen, die Kraftfahrzeuggeschwindigkeit, die Verstellgeschwindigkeit und die Verstellkraft der Verstelleinrichtung oder deren Leis- tungsaufnahme.

Wie bereits ausgeführt stellen die Gewichte des neuronalen Netzes wesentliche Parame- ter für die Funktion der Netze dar. Jede Verbindung zwischen zwei Neuronen ist durch ein solches Gewicht charakterisiert, das üblicherweise in Form eines Zahlenfaktors ge- geben ist. Ein an einem Neuron auftretendes Eingangssignal wird jeweils mit den zuge- ordneten Gewichten der entsprechenden Verbindungen zu den benachbarten Neuronen multipliziert. Die optimale Kombination einer für eine reibungslose Funktion des neurona- len Netzes erforderlichen Vielzahl von Gewichten, lässt sich in einem so genannten Lernprozess ermitteln. Diese definierte Menge an Gewichten wird auch als Satz von Ge-

wichten bezeichnet. Der einmal gelernte Satz an Gewichten kann in einem dem neurona- len Netz zugeordneten Speicherelement abgelegt werden.

Ein solcher Lernprozess simuliert eine Vielzahl von Zuständen eines Kraftfahrzeuges und seiner Bauelemente, die während der Nutzung des Kraftfahrzeuges auftreten können. Es ist selbstverständlich, dass ein auf diese Weise ermittelter Satz an Gewichten für das neuronale Netz nicht allen erdenklichen Zuständen des Kraftfahrzeuges und seiner Bau- elemente gleich gut gerecht werden kann.

Aus diesem Grund werden häufig aufwändige elektronische Filterschaltungen eingesetzt, um das Fehlverhalten der Steuerungsvorrichtung bei einigen Zuständen des Kraftfahr- zeuges und/oder der Verstelleinrichtung zu vermeiden. Diese Filterschaltungen neigen jedoch teilweise zum Überkompensieren oder reagieren unzuverlässig.

Somit stellt es eine Aufgabe dar, eine Steuerungsvorrichtung der vorangehend beschrie- benen Art darzustellen, die bei der großen Zahl unterschiedlicher Zustände eines Kraft- fahrzeugs und seiner Bauelemente möglichst zuverlässig funktioniert, wobei die Steue- rungsvorrichtung einfach und kostengünstig herstellbar sein soll.

Zur Lösung dieser Aufgabe ist eine dem neuronalen Netz zugeordnete Speichereinheit vorgesehen, die mindestens zwei Sätze gespeicherter Gewichte für das neuronale Netz aufweist. Jeder Satz an Gewichten ist einem Zustand des Kraftfahrzeuges und/oder ei- nem Zustand der Verstelleinrichtung zugeordnet, wobei das neuronale Netz abhängig vom Zustand des Kraftfahrzeuges und/oder abhängig vom Zustand der Verstelleinrich- tung mit dem jeweils zugeordneten Satz von Gewichten arbeitet.

Dadurch, dass dem jeweiligen Zustand bzw. der jeweiligen Zustandskombination ein spezifischer Satz an Gewichten für das neuronale Netz zugeordnet ist, ist der Einsatz elektronischer Filter überflüssig. Gleichzeitig wird die Zuverlässigkeit der Steuerungsvor- richtung erhöht.

Unter das Merkmal der Zustände des Kraftfahrzeuges und seiner Bauelemente, wie bei- spielsweise die Steuerungsvorrichtung und die ihr zugeordnete Verstelleinrichtung, fallen insbesondere die Fahrzeuggeschwindigkeit, von der Fahrzeugfahrtrichtung abweichende Beschleunigungen, die beispielsweise für eine Schlechtwegstrecke charakteristisch sind, Schwankungen der Bordnetzspannung, der Anlauf eines der Verstelleinrichtung zuge-

ordneten Motors, Schwergängigkeiten der Verstelleinrichtung, die durch charakteristische Änderungen der Leistungsaufnahme über der zurückgelegten Wegstrecke oder der Zei-t zum Ausdruck kommen, und das Zuschlagen einer Kraftfahrzeugtür.

Insbesondere schwankende Bordnetzspannungspegel führen zu zeitlichen Veränderung der Versorgungsspannung der Verstelleinrichtung. Dadurch besteht die Gefahr, dass diese zeitlichen Veränderungen von einer Auswerteelektronik beispielsweise im Hinblick auf die elektronischen und/oder mechanischen Parameter der Verstelleinrichtung falsch interpretiert werden.

Die Erfindung ermöglicht es, für ausgewählte Zustände bzw. Zustandskombinationen speziell angepasste, zugeordnete Sätze von Gewichten für das neuronale Netz der Steuerungsvorrichtung vorzusehen. Diese Mehrzahl an Gewichtssätzen sind in einer der Elektronikeinrichtung zugeordneten Speichereinheit abgelegt und stehen beim Eintritt des entsprechenden Zustands bzw. der Zustandskombination hinreichend schnell für das neuronale Netz zur Verfügung.

Bevorzugt ist das neuronale Netz derart ausgebildet und eingerichtet, dass es die Mess- größen so auswertet, dass ein Einklemmschutz für Hindernisse gewährleistet ist, die im Verstellweg des Kraftfahrzeugteiles einklemmen. Das heißt, die Elektronikeinrichtung der Steuerungsvorrichtung umfasst ein Einklemmschutzsystem für Hindernisse im Verstell- weg des bewegten Kraftfahrzeugteils.

Es ist von Vorteil, wenn die unterschiedlichen Sätze an Gewichten jeweils unterschiedli- che Empfindlichkeiten der Verstelleinrichtung im Hinblick auf das Detektieren im Ver- stellweg des Kraftfahrzeugteiles einklemmender Hindernisse realisieren. Dadurch erhält das Einklemmschutzsystem abhängig von der festgestellten Federrate des bewegten Kraftfahrzeugteiles unterschiedliche Ansprechschwellen. Beispielsweise beim Kraftfahr- zeug-Zustand des Befahrens einer Schlechtwegstrecke oder dem Kraftfahrzeug-Zustand des Zuschlagens einer Kraftfahrzeugtür ist es vorteilhaft, wenn der zum Einsatz kom- mende Satz an Gewichten bei einer als Fensterhebereinrichtung ausgebildeten Verstell- einrichtung derart ausgebildet ist, dass detektierte Federraten über einem Schwellwert von 20 N/mm ausgeblendet werden. Dies lässt sich beispielsweise dadurch realisieren, dass die Ansprechschwelle des Einklemmschutzsystems für Federraten über 20 N/mm deutlich erhöht ist.

Das auf diese Weise erzielte Ausblenden höherer Federraten führt dazu, dass beispiels- weise bei einer Fensterhebereinrichtung die Fälle eines fehlerhaften Stoppens bzw. Re- versierens der Fensterscheibe deutlich reduziert werden.

Selbstverständlich lassen sich die Gewichtssätze des neuronalen Netzes derart ausbil- den, dass andere Federraten-Schwellwerte als 20 N/mm eingestellt sind. Auf diese Wei- se lassen sich Anpassungen an die jeweils zu erfüllenden regional unterschiedlichen gesetzlichen Vorschriften vornehmen.

Bevorzugt ist die Elektronikeinrichtung derart ausgebildet, dass sich die Gewichtssätze auf einfache Weise austauschen oder verändern lassen. Eine Art der Veränderung der Gewichtssätze stellt das so genannte"Erlernen"dar. Dabei werden in das neuronale Netz die Eingangs-Messgrößen spezifischer Zustände, beispielsweise typischer Schlechtwegstrecken, eingespeist. Bei diesem Prozess werden die Gewichte variiert, bis das gewünschte Ausgangssignal vorliegt.

Eine vorteilhafte Ausführungsform der Steuerungsvorrichtung umfasst eine Elektronikein- richtung mit mindestens einer Schnittstelle zur Ermittlung der Zustände von Kraftfahr- zeug-und/oder Verstelleinrichtung. Diese Schnittstellen sind üblicherweise als Busknoten eines CAN- (Controller Area Network) oder als LIN- (Local lnterconnect Network) - Bussystems ausgebildet.

Weitere Merkmale und Vorteile der Erfindung sollen nachfolgend an den in der Zeich- nung dargestellten Ausführungsbeispielen näher erläutert werden. Es zeigen : Fig. 1 eine schematische Darstellung eines Systems zum Ermitteln der Kraft, mit der eine Antriebseinrichtung einen Fensterheber in einer Kraftfahr- zeugtür zum Verstellen einer Fensterscheibe antreibt ; Fig. 2 eine schematische Darstellung eines im System gemäß Fig. 1 verwend- baren neuronalen Netzes ; Fig. 3 bis 6 zeitliche Darstellungen verschiedener Parameter beim Verstellen des Fensterhebersystems gemäß Fig. 1 ;

Fig. 7 eine schematische Darstellung eines Eingangsmusters eines Backpro- pagation-Netzwerks ; Fig. 8 eine schematische Darstellung der Vorspannung von Neuronen des Netzwerks gemäß Fig. 7 ; Fig. 9 bis 11 weitere Eingangsmuster des Backpropagation-Netzwerks gemäß Fig. 7 ; Fig. 12 eine zeitliche Darstellung des Lernerfolges bei vorgegebenen Eingangs- mustern der Netzwerke gemäß den Fig. 7,9, 10 und 11 bei zwei unter- schiedlichen Spannungen ; Fig. 13 ein schematische Darstellung eines neuronales Adaptionsnetz zur Ermitt- lung einer Referenzperiode bei einer Antriebsmotorspannung von 9 V ; Fig. 14 das neuronale Adaptionsnetz gemäß Fig. 13 zur Ermittlung einer Refe- renzperiode bei einer Antriebsmotorspannung von 16 V ; Fig. 15 eine schematische Darstellung des Drehmomentverlaufs über den Ver- stellweg bei unterschiedlichen Probeläufen der Antriebseinrichtung ; Fig. 16 eine schematische Darstellung der Drehzahldifferenz über den Verstell- weg bei unterschiedlichen Probeläufen der Antriebseinrichtung ; Fig. 17 ein Flussdiagramm zur Verknüpfung des der Verstellkraft des neuronalen Netzes entsprechenden Ausgangswertes mit der erfassten Drehzahldiffe- renz ; Fig. 18a das schematische Blockschaltbild einer ersten Ausführungsform einer Steuerungsvorrichtung mit einem neuronalen Netz ; Fig. 18b das schematische Blockschaltbild einer zweiten Ausführungsform einer Steuerungsvorrichtung mit einem neuronalen Netz und Fig. 19 eine schematische Darstellung der veränderlichen Ansprechschwelle der Steuerungsvorrichtung der Figuren 18a und 18b in Abhängigkeit von der

detektierten Federrate eines mit der Verstelleinrichtung bewegten Kraft- fahrzeug-Teiles.

Fig. 1 zeigt eine schematische Darstellung eines Steuer-und Regelsystems für einen motorisch angetriebenen Fensterheber 2 in einer Kraftfahrzeugtür 1. Der Fensterheber 2 weist eine Hebeschiene 21 auf, an der eine Fensterscheibe 22 als verstellbares Bauteil befestigt ist. Die Hebescheine 21 ist mittels einer Hebevorrichtung 23 und eines zusam- men mit dem Fensterheber 2 eine Antriebseinrichtung bildenden Antriebsmotors 3 be- weglich, so dass die Fensterscheibe 22 angehoben und abgesenkt werden kann. Der Antriebsmotor 3 wird aus einer Spannungsquelle 5 über eine Schalteinrichtung 4 ge- speist, die sowohl die Drehzahl als auch die Drehrichtung des Antriebsmotors 3 be- stimmt.

Ein als Steuer-und Regelelektronik dienender Mikroprozessor 60 versorgt die Schalten- richtung 4 mit Steuer-und Regelsignalen und ist mit einer Bedienungseinheit 7, bei- spielsweise mit den Tasten oder Schaltern zur Bedienung des Fensterhebers 2, verbun- den. Eine temporäre Verbindung kann mit einem Mikrocomputer 8 zur Durchführung ei- ner oder mehrere Lernphasen des Mikroprozessors 60 hergestellt werden.

Da beim Schließen der durch die Fensterscheibe 22 abdeckbaren Türöffnung durch An- heben der Fensterscheibe 22 die Gefahr eines Einklemmens von Körperteilen oder Ge- genständen zwischen dem Rand der Fensterscheibe 22 und dem Türrahmen der Kraft- fahrzeugtür 1 besteht, ist bei Antriebsmotorisch angetriebenen Fensterhebern eine Ein- klemmschutzeinrichtung vorgeschrieben, mit der das Einklemmen eines Objekts erkannt wird und zu einem Anhalten bzw. Reversieren des Antriebsmotors 3 und damit der Be- wegungsrichtung des Fensterhebers 2 führt.

Der Einklemmschutz muss gewährleisten, dass die auf ein im Verstellweg der Fenster- scheibe 22 befindliches Körperteil bzw. auf einen Gegenstand wirkende Einklemmkraft einen gesetzlich vorgeschriebenen Grenzwert nicht überschreitet. Dabei muss im oberen Dichtungsbereich gewährleistet sein, dass einerseits die Fensterscheibe 22 sicher schließt, wozu zur Überwindung des durch die Fensterdichtung gegebenen Widerstan- des eine erhöhte Verstellkraft aufgebracht werden muss, andererseits muss diese Ver- stellkraft aus Sicherheitsgründen derart dimensioniert sein, dass ein 4 mm-Stab erkannt wird und der Einklemmschutz den Fensterheber 2 abschaltet bzw. reversiert. Das be- dingt, dass auch Beschleunigungskräfte, die durch äußere Einflüsse, wie eine Schlecht-

wegstrecke, mit der dadurch bedingten Beschleunigung des Fahrzeugs senkrecht zur Fahrtrichtung sicher erkannt werden, um Fehlfunktionen des Einklemmschutzes auszu- schließen.

Zu diesem Zweck wird der zur translatorischen Verstellung der Fensterscheibe 22 eigent- lich nur notwendigen Kraft eine als Reversierkraft bezeichnete Kraft aufgeprägt, deren Größe begrenzt ist. Die Summe beider Kräfte ist gleich der von der Antriebseinrichtung abgegebenen Verstellkraft, die zur Verstellung der Fensterscheibe 22 verwendet wird.

Die Reversierkraft stellt daher eine Kraftreserve zur Überwindung zusätzlicher Gegen- kräfte dar. Sie kann in den verschiedenen Teilbereichen des Gesamt-Verstellweges der Fensterscheibe 22 eine unterschiedliche Begrenzung aufweisen, die beispielsweise auf- grund des hohen Widerstandes der Fensterdichtung im oberen Bereich des Verstellwe- ges, wo die Fensterscheibe 22 in die Türdichtung einläuft, höher gewählt wird als in dem darunter befindlichen Verstellbereich, so dass ein sicheres Einfahren der Fensterscheibe in den Dichtungsbereich gewährleistet ist.

Erfindungsgemäß erfolgt die Steuerung und Regelung der Schalteinrichtung 4 zum Be- trieb des Antriebsmotors 3 der Antriebseinrichtung durch ein mittels des Mikroprozessors 60 ausgeführtes neuronales Netz 6, dessen Struktur schematisch in der Fig. 2 dargestellt ist.

Die Bestandteile des in Fig. 2 dargestellten neuronalen Netzes 6 sind Neuronen 10,11, 12, die aus einem Eingabevektor, einem Gewichtsvektor, und einer Transferfunktion mit einer Aktivierungs-und Ausgabefunktion bestehen. Das neuronale Netz 6 besteht somit aus einer Menge von in Schichten 61,62, 63,64 angeordneten Neuronen 10,11, 12 und gewichteten Verbindungen 14,15, 16 und besitzt die Struktur eines gerichteten Graphen, für den folgende Einschränkungen und Zusätze gelten : Die Knoten des neuronalen Netzes werden durch die Neuronen 10, 11, 12 gebildet -Die Kanten des neuronalen Netzes heißen Verbindungen - Es gibt gewichtete Verbindungen zwischen den Neuronen benachbarter Schichten 61,62, 63,64 - Die Eingangs-oder Eingabeschicht 61 dient zur Aufnahme der Eingangssignale - Eine oder mehrere verborgene Schichten 62,63 dienen der Verarbeitung der von den Eingangsneuronen 10 der Eingabeschicht 61 abgegebenen Signale und erlau- ben die Abbildung komplexer Funktionen

Die Ausgangs-oder Ausgabeschicht 64 gibt das aus den verarbeiteten Eingangs- signalen ermittelte Resultat ab.

Damit das neuronale Netz 6 in der Lage ist, zu lernen, müssen die einzelnen Eingänge eines Neurons 10,11, 12 verschieden stark gewichtet werden können. Die Gewichtung bewirkt, dass die Verbindungen zwischen den einzelnen Schichten 61,62, 63,64 unter- schiedliche Stärke haben, so dass die Verbindungen zwischen der Eingangsschicht 91 und der Ausgangsschicht 94 die durch die Eingangssignale eingegebenen Informationen nicht immer optimal übertragen, sondern - überhaupt nicht, wenn das Gewicht der Verbindung 0 ist, das heißt, keine Verbin- dung besteht, - die Verbindung hemmen, wenn das Gewicht negativ ist, und - die Verbindung anregen, wenn das Gewicht größer Null ist.

Zur Erfassung eines Einklemmzustandes wird das Abbremsen der Antriebseinrichtung durch einen Anstieg der Periodendauer und/oder der Stromaufnahme eines Antriebsmo- tors der Antriebseinrichtung ermittelt. Wird bei dieser indirekten Erkennung die Strom- aufnahme des Antriebsmotors ermittelt, so werden als Eingangswerte beispielsweise die letzten 12 Stromwerte der Motorstromaufnahme, ein Adaptionsstrom, der das Motormo- ment bei einer Motorspannung von beispielsweise 13 V wiederspiegelt und die letzten 3 Spannungswerte erfasst. Bei einer Periodenauswertung werden beispielsweise die letz- ten z. B. 12 Periodenwerte, eine Adaptionsperiode, die bei einer Normierspannung von z. B. 13 V gemessen wird, und die letzten 3 Spannungswerte erfasst. In einer Lernphase wird dabei mit einer Kraftmesszange mit Werten von 2 N/mm und 20 N/mm angelernt, die analog zu den Eingangssignalen den gemessenen Ausgangwert von beispielsweise 0 - 160 N mit ausgibt, so dass das neuronale Netz in der Anwendung einen Teil der Ver- schiebekraft mit ausgibt und bei einem Einklemmen die aufgebaute Kraft.

Das in Fig. 2 dargestellte neuronale Netz 6 weist in der Eingangsschicht 61 eine Anzahl von 24 Eingangsneuronen 10 auf, an die mit unterschiedlichem Gewicht verschiedene Eingangssignale wie die Periodendauer und/oder die Stromaufnahme des Antriebsmo- tors 3 gemäß Fig. 1, Spannungswerte, ein den Anlauf des Antriebsmotors 3 angebendes Anlauf-Flag sowie Adaptionsperioden bestehen, die eine zur jeweiligen Position eines in einer Lernphase durchgeführten und abgelegten Referenzhubs zughörige Periode bei einer vorgegebenen Referenzspannung bezeichnen. Die Adaptionsperiode wird-wie

nachstehend anhand der Fig. 13 bis 15 näher erläutert wird-in einem kleineren als dem in der Anwendung verwendeten neuronalen Adaptionsnetz berechnet und gemittelt, d. h. bei jeder vollen Umdrehung (4 Viertelperioden) des Antriebsmotors errechnet das neuro- nale Netz eine neue Adaptionsperiode, die im nächsten Fensterheberhub als Adaptions- periode zur Verfügung gestellt wird. Der Wertebereich wird hauptsächlich durch vor- kommende Minimal und Maximal-Werte bestimmt, wobei versucht wird, die Eingangs- muster Inputs möglichst zwischen 0 und 1 zu legen.

Jedes Eingangsneuron 10 der Eingangsschicht 61 ist über eine Vielzahl von Verbindun- gen 14, denen unterschiedliche positive oder negative Gewichte zugeordnet sind, mit den verborgenen Neuronen 11 einer ersten verborgenen Schicht 6 verbunden. Auch die verborgenen Neuronen 11 der ersten verborgenen Schicht 62 weisen unterschiedliche positive und negative Gewichte auf und sind über mehrere ebenfalls positiv oder negativ gewichtete Verbindungen 15 mit den verborgenen Neuronen 11 einer zweiten verborge- nen Schicht 63 verbunden, deren Eingänge ebenfalls unterschiedlich positiv oder negativ gewichtet sind. Schließlich sind die verborgenen Neuronen 11 der zweiten verborgenen Schicht 63 über ebenfalls positiv oder negativ gewichtete Verbindungen 16 mit einem Ausgangsneuron 12 der Ausgangsschicht 64 verbunden, an dem der aus den Eingangs- werten ermittelte Ausgangswert ansteht.

Die Gewichtung der Eingänge und Verbindungen der Neuronen des in Fig. 2 dargestell- ten mehrstufigen neuronalen Netzes 6 erfolgt nach einer ersten empirischen Vorgabe in einer Lernphase, in der neue Verbindungen entwickelt, existierende Verbindungen ge- löscht, die Stärken der Verbindungen durch Veränderung der Gewichte modifiziert, Schwellenwerte und Transferfunktionen modifiziert, neue Neuronen entwickelt und be- stehende Neuronen gelöscht werden. Von diesen Möglichkeiten des Lernens in der Lernphase wird bei dem erfindungsgemäß verwendeten neuronalen Netz 6 insbesondere von der Modifikation der Stärke der Verbindungen durch Veränderung der Gewichte, der Modifikation des Schwellenwertes sowie der Modifikation der Transferfunktion Gebrauch gemacht.

In der Lernphase werden im ungelernten Zustand zunächst zufällig Gewichte vergeben.

Nach dem Prinzip des überwachten Lernens werden anschließend verschiedene Ein- gangsmuster vorgegeben und der zugehörige Ausgangswert berechnet. Anschließend wird die Differenz zwischen dem berechneten Ausgangswert und einem vorgegebenen Soll-Ausgangswert bestimmt, aus der dann über die Lernregel das neuronale Netz 6 mo-

difiziert wird. Je größer der Unterschied zwischen dem berechneten Ausgangswert und dem vorgegebenen Soll-Ausgangswert ist, desto mehr werden die Gewichte verändert, so dass der Fehler bzw. die Abweichung des berechneten Ausgangswertes vom vorge- gebenen Soll-Ausgangswert von der Ausgangsschicht 64 zu den verborgenen Schichten 63,62 und dann zur Eingangsschicht 61 zurückgerechnet wird.

Nach Abschluss der Lernphase ist das neuronale Netz 6 in der Lage, aus nicht gelernten, ähnlichen Eingangsmustern den richtigen Ausgangswert zu berechnen. Schwächen in der Funktion des neuronalen Netzes 6 können dabei durch erneutes Lernen bestimmter, vorgegebener Situationen beseitigt werden. Daraus ergeben sich im Vergleich zu be- kannten Verfahren zur Ermittlung der Verstellkraft, Einklemmkraft oder Reversierkraft die Vorteile, dass keine Einzelbewertung der Eingangssignale, wie bei der Anwendung des bisherigen Algorithmus, sondern eine Interpretation der Summe aller Eingänge erfolgt.

Weiterhin können nichtlineare Zusammenhänge wie das Verhalten des Antriebsmotors 3 gemäß Fig. 1 nachgebildet und mit dem bisherigen Algorithmus nicht oder nur mit Ein- schränkung auswertbare Signalverläufe korrekt interpretiert bzw. berechnet werden, so dass eine für einen zuverlässigen Einklemmschutz erforderlicher momentaner Kraft- Ausgangswert ermittelt wird. Diese Funktion soll anhand verschiedener in den Fig. 3 bis 6 dargestellter Signalverläufe näher erläutert werden.

Fig. 3 zeigt eine vereinfachte Darstellung des Verlaufs der Periodendauer des Antriebs- motors der Antriebseinrichtung über der Zeit t beim Anheben einer Fensterscheibe von ihrer untersten in die oberste Stellung, in der die Fensterscheibe die Türöffnung einer Kraftfahrzeugtür vollständig abdeckt.

In der Anlaufphase A sinkt die Periodendauer zunächst stark ab und steigt nach einem Minimum stark an. Das Absinken der Periodendauer ist gleichbedeutend mit einer Be- schleunigung des Antriebsmotors in der Anlaufphase A, die mit einem entsprechenden Kraftaufbau verbunden ist. Nach Beendigung der Anlaufphase A bleibt die Periodendau- er nahezu konstant bzw. steigt geringfügig an, da die Reibung infolge der Führung der Fensterscheibe in der Fensterdichtung mit der zurückgelegten Wegstrecke zunehmen kann. Da beim Einlauf E der Fensterscheibe in die obere Fensterscheibendichtung die Reibung stark zunimmt, steigt die Periodendauer sprungartig an, verläuft anschließend nahezu linear bzw. geringfügig ansteigend bis sie mit dem Erreichen des oberen An- schlages steil zunimmt.

Dieser charakteristische Verlauf der Periodendauer beim Schließen einer Fensterscheibe führt bei dem bekannten Einklemmschutzverfahren und Einklemmschutzeinrichtungen zu hohen Kräften in der Anlaufphase A. Veränderungen auf der von der Fensterscheibe zurückgelegten Wegstrecke können nur durch Parameteränderungen kompensiert wer- den, damit beispielsweise beim Dichtungseinlauf die Fensterscheibe infolge erhöhter Reibung nicht stehen bleibt bzw. aufgrund des Ansprechens des Einklemmschutzes re- versiert.

In den Fig. 4a und 4b sind zwei unterschiedliche Verfahren zur Erfassung eines Ein- klemmvorganges durch einen Verlauf der Periodendauer über der Zeitachse t dargestellt.

Fig. 4a zeigt eine rein relative Erfassung der Periodendauer über der Zeit t, wobei ein Einklemmfall durch einen Anstieg der Periodendauer, der mit einem entsprechenden Kraftaufbau verbunden ist, festgestellt wird. Bei der rein relativen Erfassung wird nur die zeitliche Veränderung der Periodendauer beim Verstellen der Fensterscheibe überwacht und beim Überschreiten einer Auslöseschwelle AS die Fensterscheibe angehalten bzw. reversiert, jedoch werden keine absoluten Werte erfasst oder überwacht.

Fig. 4b zeigt den Periodenverlauf über der Zeit t bei einem rein absoluten Erfassungssys- tem, bei dem ein Periodenanstieg ebenfalls mit einem entsprechenden Kraftaufbau ver- bunden ist. Die Auslösung des Einklemmschutzes erfolgt bei Überschreiten eines vorge- gebenen Absolutwertes AW der Periodendauer gegenüber einer vorprogrammierten Re- ferenzkurve R.

Fig. 5 zeigt einen schematischen Verlauf der Periodendauer über der Zeit t im Falle einer niedrigen Federrate, d. h. einer Federrate FR von beispielsweise 2 N/mm des Verstellsys- tems. Der zeitliche Verlauf verdeutlicht den langsamen Kraftaufbau infolge des geringen Anstiegs der Periodendauer über den Verstellweg nach Beendigung der Anlaufphase, wobei beispielsweise bei Anwendung eines relativen Erkennungssystems infolge des geringen Anstiegs und bei Anwendung des absoluten Erkennungssystems infolge der langen Zeitdauer bis zum Erreichen eines Abschaltkriteriums hohe Kräfte aufgebaut wer- den können.

Fig. 6 zeigt schematisch den Verlauf der Periodendauer T, der Position P und der (Ver- stell-) Kraft über der Zeitachse t beim Auftreten einer äußeren Beschleunigung, bei- spielsweise beim Befahren einer Schlechtwegstrecke oder in Folge einer lokal und/oder

zeitlich begrenzten Leichtgängigkeit im Verstellweg. Aufgrund der unterstützenden Wir- kung der Beschleunigungskräfte oder der Reduzierung bzw. des Wegfalls von Rei- bungskräften bei der Scheibenbewegung sinkt die Periodendauer T kurzzeitig ab, das heißt, die Fensterscheibe wird kurzzeitig beschleunigt. Wird der Verstellkraft in dem Be- schleunigungsbereich B eine Kraft überlagert, so tritt ein steiler Kraftaufbau K auf, der mit den bekannten Einklemmschutzverfahren nicht erkannt wird, da nur positive Perio- denveränderungen detektiert werden. In dem in Fig. 6 gestrichelt dargestellten Be- schleunigungsbereich B sind somit die bekannten Einklemmschutzregelungen nicht funk- tionsfähig.

Aufgrund der vorstehend anhand der zeitlichen Darstellungen der Periodendauer in den Fig. 3 bis 6 treten bei der Anwendung der bekannten Einklemmschutzverfahren folgende Probleme und Nachteile auf : a) Es treten hohe Kräfte bei niedrigen Federraten und eine schlechte Erkennung eines 4mm-Stabes in allen Richtungen auf, b) Es erfolgt eine Überkompensation bei Spannungssprüngen und Schlechtweg- strecken mit der Folge hoher Offsets mit sehr hohen Kräften, so dass bei- spielsweise ein Spannungseinbruch im Bordnetz, der mit einem Anstieg der Periodendauer verbunden ist, durch ein Offset kompensiert wird, wodurch ein Überschwingen und damit verbundene große Einklemmkräfte auftreten, c) Eine Krafterkennung ist nur durch einen Anstieg in der Periodendauer mög- lich, bei einer Degression der Periodendauer (Fig. 6) können hohe Kräfte auf- treten, d) Es treten Veränderungen im Verlauf des Verstellweges des verstellbaren Bau- teils auf, zu denen schleichende Veränderungen wie Alterung, Dichtungsab- rieb und Einlaufen des Fensterhebers sowie Motorunstetigkeiten gehören, die sich stets an derselben Position zeigen, und die durch Parameteränderungen kompensiert werden müssen, e) In der Anlaufphase treten hohe Kräfte auf.

Bei den bekannten Einklemmschutzverfahren erfolgt eine getrennte Betrachtung der Eingangssignale Periode und Spannung. Ein Spannungsfilter wirkt dabei ab einer An- sprechschwelle nur in einer Richtung und eine Krafterkennung ist ausschließlich durch die Erfassung eines Anstiegs der Motorperiode möglich. Bei der erfindungsgemäßen Anwendung eines neuronalen Netzes werden dagegen im Unterschied zu dem bekann- ten Einklemmschutzverfahren die Eingangssignale Periode und Spannung miteinander verknüpft, so dass kein Spannungsfilter benötigt wird und Periodenänderungen in jeder Richtung detektiert werden. Weiterhin wird im Unterschied zu dem bekannten Verfahren nicht ein Offset adaptiert, sondern die Periodendauer des Antriebsmotors.

In Bezug auf die vorstehend in den Fig. 3 bis 6 dargestellten Problemfälle bei der richti- gen Erkennung und Auslösung eines Einklemmschutzes führt der Einsatz eines neurona- len Netzes nach Abschluss der Lernphase zu folgenden Ergebnissen : 1. Niedrige Federraten werden einstellbar erkannt, d. h. durch die Auswahl der Lernda- ten und die Vorgabe des Sollausgangs-oder Kraftwertes kann festgelegt werden, wie empfindlich das System bei niedrigen Federraten sein soll. Dies wird durch eine Festlegung des Arbeitspunktes zwischen der in Fig. 4a und 4b dargestellten relati- ven und absoluten Arbeitsweise erlernt, wobei der Arbeitspunkt stufenlos einstellbar ist. Durch diese Mischarbeitsweise werden niedrige Federraten und damit ein lang- samer Anstieg in der Periodendauer dadurch erkannt, dass große Abweichungen vom absoluten Anteil entstehen.

2. Bei den bekannten Einklemmschutzverfahren wird ein Spannungseinbruch kom- pensiert, was dazu führt, dass die Verlangsamung des Systems durch einen Offset auf den Abschaltwert ausgeglichen wird. Das neuronale Netz erhält dagegen die In- formation des Spannungseinbruchs als eine Verlangsamung der Periodendauer, wobei alle Informationen gleichberechtigt behandelt werden. Dadurch können Spannungssprünge angelernt werden, d. h. das System lernt das komplexe, nicht li- neare dynamische Verhalten des Antriebsmotors. Ein Spannungsanstieg, bei- spielsweise in Form einer Spannungsrampe, führt somit nicht zu hohen Kräften, so dass keine hohen Kraftschwankungen, beispielsweise bei einem Anliegen einer Si- nusspannung, entstehen. Der bei der Mischarbeitsweise erfasste absolute Anteil führt dazu, dass beim Befahren einer Schlechtwegstrecke festgestellt werden kann, ob die Periodendauer noch in einem gültigen Bereich liegt.

3. Durch den bei der Mischarbeitsweise erfassten absoluten Anteil wird weiterhin si- chergestellt, dass auch bei einer Beschleunigung die Überlagerung eines Kraftauf- baus (Fig. 6) rechtzeitig und sicher erkannt wird, was bei den bekannten Ein- klemmschutzverfahren nicht möglich ist, da es immer einen nominellen Anstieg der Periodendauer geben muss, um einen Kraftaufbau zu detektierten.

4. Veränderungen am Verstellweg des verstellbaren Bauteils werden adaptiv erlernt, so dass schleichende Veränderungen, wie Alterung, Dichtungsabrieb und Einlaufen des Fensterhebers sowie Motorunstetigkeiten, die sich stets an derselben Position zeigen, durch Adaption ausgeglichen werden und keine Krafterhöhungen oder eine fehlerhafte Abschaltung oder ein fehlerhaftes Reversieren auftreten.

5. Bei den bekannten Einklemmschutzverfahren kann bei Anwendung eines relativen Erkennungssystems das Anlaufverhalten der Antriebseinrichtung nur schwer von einem Einklemmfall unterschieden werden. Beim Einsatz eines neuronalen Netzes wird dieser Vorgang erlernt und gegebenenfalls durch ein Anlaufflag markiert.

6. Bei den bekannten Einklemmschutzverfahren werden unterschiedliche Parameter zur Erfassung eines Einklemmfalles eingesetzt, wobei nur ein sinnvolles Zusam- menspiel dieser verschiedenen Parameter zu einer hinreichend genauen Krafter- fassung führt. Dagegen entscheidet beim Einsatz eines neuronalen Netzes nur ein einzelner Wert, der über das Abschalten bzw. Reversieren der Antriebseinrichtung entscheidet, nämlich der Ausgangswert der Ausgangsschicht, so dass eine kontinu- ierliche Einstellung der den Einklemmschutz auslösenden Abschaltkraft möglich ist.

In den Fig. 7 bis 12 ist ein Backpropagation Netzwerk schematisch vereinfacht darge- stellt, das zum Ermitteln der Kraft, mit der eine Antriebseinrichtung über einen Fenster- heber eine Fensterscheibe als verstellbares Bauteil verstellt oder ein im Verstellweg der Fensterscheibe befindliches Objekt einklemmt und damit einen Abschalt-oder Rever- sierwert abgibt, eingesetzt werden kann.

Fig. 7 zeigt ein erstes Eingangsmuster des Backpropagation Netzwerks mit drei Schich- ten, nämlich einer Eingabe-oder Eingangsschicht 61, einer verborgenen Schicht oder "Hidden-Schicht"62 und einer Ausgangs-oder Ausgabeschicht 64. Die in der Ein- gangsschicht 61 und der verborgenen Schicht 62 angeordneten Neuronen 101,102, 103, 111, 112 sind durch Kanten mit der jeweils darüber liegenden Schicht 62 bzw. 64

verbunden, wobei jede Kante einen an das betreffende Neuron angeschriebenen Ge- wichtswert symbolisiert.

Die Eingangsschicht 61 ist mit den Eingangswerten Periodendauer, Motorspannung und Adaptionsperiode beaufschlagt, die in einen für die Eingangsneuronen 101,102, 103 passenden Wertebereich gelegt sind. Das mit der Periodendauer beaufschlagte erste Eingangsneuron 101 weist eine Gewichtung von 0,423, das mit der Motorspannung be- aufschlagte zweite Eingangsneuron 102 weist eine Gewichtung von 0,524 und das mit der Adaptionsperiode beaufschlagte dritte Eingangsneuron 103 weist eine Gewichtung von 0,279 auf.

Die verborgene Schicht 62 enthält zwei verborgene Neuronen 111,112, die eingangssei- tig mit den Ausgängen der Eingangsneuronen 101,102, 103 verbunden sind. Das erste verborgene Neuron 111 ist über Verbindungen mit den Verbindungsgewichten-0,893,- 3,446 und 3,376 mit den Ausgängen der Eingangsneuronen 101,102, 103 verbunden.

Das zweite verborgene Neuron 112 ist über Verbindungen mit den Verbindungsgewich- ten 3,869, 3,376 und-0, 514 mit den Ausgängen der Eingangsneuronen 101,102, 103 verbunden.

Die Ausgangs-oder Ausgabeschicht 64 wird durch ein Ausgangsneuron 12 dargestellt.

Die Höhe dieses Ausgangswertes entscheidet später über einen für die jeweilige Span- nung einstellbaren Abschaltwert über das Reversieren oder das Fortsetzen des Fenster- heberlaufes.

Zusätzlich besitzen die Neuronen 111,112 und 12 der höherliegenden verborgenen Schicht 62 und der Ausgangsschicht 64 einen Schwellwert oder Biaswert, der den Aus- gang der Transferfunktionen in den stetigen Bereich verschiebt. Der Biaswert und die Gewichte sind Konstanten, die in der Anwendung bzw. einem Serieneinsatz nicht mehr verändert, beziehungsweise nachgelernt werden. Sie werden einmal vor dem Serienein- satz ermittelt und beispielsweise in einem EEProm abgelegt. Der Algorithmus kann dann, falls sich Schwachpunkte im Algorithmus aufzeigen, durch eine neue Parametereinstel- lung, d. h. durch Nachlernen verbessert werden. In der Anwendung jedoch bleiben die Gewichte bestehen.

In der Lernphase werden dem neuronalen Netz Eingangsmuster präsentiert und die da- zugehörigen definierten Ausgangswerte vorgegeben. Je mehr der vorgegebene Aus-

gangswert von dem vom neuronalen Netz mit den jeweiligen Gewichten und Biaswerten errechneten Ausgangswert abweicht, umso mehr werden die Gewichte und der Biaswert verändert. Dabei werden beispielsweise folgende spezielle Muster ausgewählt : - Spannungssprünge bei einem Fensterheberlauf mit ansteigender Periode, einer ein- brechenden Spannung und Ermittlung der Adaptionsperiode mit einem dazugehörigen Ausgangswert von 0, da das neuronale Netz in diesem Fall keine Kraft erkennen soll, - Zangenläufe mit einer Kraftmesszange mit rückgekoppelter Kraft aus der Kraftmess- zange als Ausgangswert für das neuronale Netz mit ansteigender Periodendauer, ein- brechender Spannung und Ermittlung der Adaptionsperiode - Anlernen verschiedener Federraten von beispielsweise 20 N/mm und 2 N/mm usw.

Mit den in Fig. 8 dargestellten, über den Neuronen 111,112 und 12 eingetragenen Bias- Werten 2,536 für das erste verborgene Neuron 111 und-0,389 für das zweite verborge- ne Neuron 112 sowie 0,775 für das Ausgangsneuron 12, den Gewichten, den Transferfunktionen und den Eingangswerten wird der zu dem jeweiligen Eingangsmuster gehörige Ausgangswert ermittelt. Die Ermittlung des Ausgangswertes erfolgt folgendermaßen, wobei in den Fig. 7, 10, 11 und 12 der jeweils berechnete Ausgangs- wert unterhalb des Ausgangsneurons 12 oder der verborgenen Neuronen 111,112 an- gegeben ist : Zunächst berechnet sich der Ausgang des ersten verborgenen Neuronens 111 wie folgt : E = Bias (i) + wie * Eingang (j) wobei i das i-te Neuron in der nächst höheren Schicht und w die Gewichtung darstellen und j die Zählvariable für die Eingangsschicht 61 ist. Die Gewichte werden mit den Eingangswerten multipliziert und dann aufsummiert, woraus sich für das erste verborgene Neuron 111 ergibt : 111 = 0, 423- (-0,893) + 0, 524- (-3,446) + 0, 279-3, 376 + 2,536 = 1, 294

Diese Summe wird dann in die Transferfunktion eingesetzt. Die hier beispielsweise verwendete Transferfunktion ist ein Tangenshyberbolicus. Daraus ergibt sich der Ausgangswert des ersten verborgenen Neurons 111 zu Ausgang111 = 0,859 Und der Ausgangswert des zweiten verborgenen Neurons 112 zu Y-112 = 0, 423-3, 869 + 0, 524- (-0,164) + 0, 279- (-0,514)-0, 389 = 1, 018 Ausgangn2=TANH (1, 018) =0,77 und der Ausgangswert des Ausgangsneurons 12 zu En = 0, 77-2, 094+ 0, 859- (-2,733) + 0,775 = 0,037 bzw. Ausgang = TANH (0, 037) =0,037 Beim ersten, in Fig. 7 dargestellten Eingangsmuster liegen die Werte für die Perioden- dauer bei 0,423 und die Spannung bei 0,524 was einer Spannung von 10V entspricht.

Die Adaptionsperiode liegt bei einem niedrigerem Wert, nämlich bei 0,279.

Nachfolgend werden 3 weitere, in den Figuren 10,11 und 12 schematisch dargestellte Eingangsmuster betrachtet.

Das in Fig. 9 dargestellte zweite Eingangsmuster unterscheidet sich von dem in Fig. 7 dargestellten ersten Eingangsmuster stark durch die Periodendauer von 1,001 gegen- über 0,423, während die Spannung und die Adaptionsperiode mit 0,456 bzw. 0,277 an- nähernd konstant bleiben. Ebenfalls unverändert bleiben die Verbindungsgewichte, mit denen die verborgenen Neuronen 111,112 mit den Ausgängen der Eingangsneuronen 101,102, 103 verbunden sind, sowie die Bias-Werte der verborgenen Neuronen 111, 112 und des Ausgangsneurons 12.

Daraus ergeben sich wie vorstehend an Hand der Fig. 7 beschrieben die Ausgangswerte 0,75 für das erste verborgene Neuron 111 und 0,997 für das zweite verborgene Neuron 112 sowie 0,67 für das Ausgangsneuron 12.

Bei dem in Fig. 10 dargestellten dritten Eingangsmuster ist der Spannungswert bei 16V angenommen mit einem Eingangswert von 0,824. Die Periodendauer liegt bei 0,245 und die Adaptionsperiode geringfügig modifiziert bei 0,261. Daraus ergibt sich der Aus- gangswert des Ausgangsneurons 12, bei dem aus dem Eingangsmuster kein Einklem- men erkannt wird zu 0,241. Dennoch können solche Eingangsmuster von Einklemm- Mustern unterschieden werden, was an Hand der schematischen Darstellung des Backpropagation Netzwerks in Fig. 12 verdeutlicht wird.

Bei dem Eingangsmuster gemäß Fig. 11 ist die Motorspannung mit dem Wert 0,774 leicht eingebrochen, während die Periodendauer gegenüber dem Vergleichswert von 0,245 auf 0,382 angestiegen ist.

In den Fig. 12a und 12b sind zwei Diagrame dargestellt, die den Lernerfolg des in den Fig. 7 und 9 bzw. 10 und 11 dargestellten neuronalen Netzes bei Spannungswerten von 10 V und 16 V sowie den in den Fig. 7 und 9 bzw. 10 und 11 vorgegebenen Eingangs- mustern grafisch darstellen. Die sich aus den Backpropagation Netzwerken gemäß den Fig. 9 und 11 ergebenden Lernvorgaben sind in Form der vorgegebenen Einklemmkraft in jeweils dick ausgezogenen Linien dargestellt, während die sich aus den jeweiligen Eingangsmustern ergebenden Ausgangswerte entsprechend den Backpropagation Netzwerken gemäß den Fig. 7 und 10 durch die dünn ausgezogenen Kurvendarstellun- gen repräsentiert werden.

Fig. 13 zeigt den Aufbau eines neuronalen Adaptionsnetzes 9 zur Ermittlung positions- abhängiger Adaptionswerte bei unterschiedlichen Klemmenspannungen des Antriebsmo- tors 3 gemäß Fig. 1 und ist als eigenständiges neuronales Netz konzipiert, dessen Aus- gangs-oder Ausgabeschicht 94 Spannungsreferenzwerte an die Eingangs-oder Einga- beschicht 61 des neuronalen Netzes gemäß Fig. 2 abgibt. Es hat die Aufgabe, eine für das momentane Antriebsmotorverhalten typische Referenzkurve für eine Referenzspan- nung zu ermitteln, auch wenn die momentan am Antriebsmotor anliegende Spannung von der Referenzspannung abweicht.

Ein Eingangsneuron 10 des neuronalen Netzes 6 gemäß Fig. 2 zur Ermittlung eines der Verstell-oder Überschusskraft der Antriebseinrichtung oder eines eingeklemmten oder nicht eingeklemmten Zustandes entsprechenden Ausgangswertes erhält positionsab- hängig die vom neuronalen Adaptionsnetz 9 gemäß Fig. 13 in der Ausgangs-oder Aus-

gabeschicht 94 abgegebenen Adaptionswerte, so dass dieser Eingang des neuronalen Netzes 6 gemäß Fig. 2 als Information für die momentan vorliegende Verschiebekraft, Schwergängigkeit oder Leichtgängigkeit des Antriebssystems dient. Zusätzlich wird diese Information auch für den Einlauf der Fensterscheibe 22 gemäß Fig. 2 in die Fenster- scheibendichtung verwendet, um das Gesamtsystem unempfindlicher zu machen.

Würde man zur Adaption an den jeweiligen Spannungswert die Gleichung anwenden, in der nl der Drehzahl bei der Spannung Ul und n2 der Drehzahl bei der Spannung U2 entspricht, so wäre das auf die Referenzspannung interpolierte Ergebnis zu ungenau für ein absolutes System und sehr stark vom Motortyp abhängig. Demge- genüber wird das neuronale Adaptionsnetz auf einen speziellen Antriebsmotor angelernt und errechnet aus den Perioden und der aktuellen Spannung eine für das Moment fest- gelegte Referenzperiode bei der Referenzspannung. Diese Referenzperiode ist positi- onsabhängig und dient dem übergeordneten neuronalen Netz 6 gemäß Fig. 2 als Ein- gangswert bei der jeweils nächsten Verstellbewegung, d. h. beim nächsten Fensterhub.

Während der Fehler bei der direkten Umrechnung über die obenstehende Formel bei 10- 15% Bandbreite liegt, tritt bei einer Berechnung über das Adaptionsnetz ein maximaler Fehler von 4%, bei nicht abknickender Kennlinie sogar bei maximal 2% Bandbreite auf.

Diese erhöhte Genauigkeit kommt der Genauigkeit bei der Ermittlung der Verstellkraft mittels des neuronalen Netzes 6 gemäß Fig. 2 zugute, denn ein Fehler von 12% Band- breite ergibt bei einer Federrate im Gesamtsystem von 2 N/mm einen Kraftunterschied von 40N, bei einer Federrate von 10N/mm einen Kraftunterschied von 18N. Daraus resul- tiert eine Kraftschwankung bei niedrigen Federraten von maximal 7N und bei höheren Federraten 10N/mm eine Kraftschwankung von maximal 3N, wenn ein neuronalen Adap- tionsnetz verwendet wird.

Das in Fig. 13 als Beispiel dargestellte neuronale Adaptionsnetz 9 bildet ein eigenständi- ges neuronales Netz. Es besteht wie das neuronale Netz 6 zur Ermittlung eines der Ver- stell-oder Überschusskraft der Antriebseinrichtung oder eines eingeklemmten oder nicht eingeklemmten Zustandes entsprechenden Ausgangswertes aus einer Menge von in Schichten 91,92, 94 angeordneten Neuronen 30,31, 32,33, 34,35 und gewichteten

Verbindungen 36,37 und besitzt die Struktur eines gerichteten Graphen, für den die vor- stehend im Zusammenhang mit dem neuronale Netz 6 gemäß Fig. 2 genannten Ein- schränkungen und Zusätze gelten.

Das empirisch bis zur Erzielung der besten Lernergebnisse ermittelte neuronale Adapti- onsnetz 9 weist in der untersten Schicht bzw. Eingangsschicht 91 zwei Eingangsneuro- nen 30,31 auf, die mit unterschiedlichem Gewicht die Eingangssignale Periodendauer und Antriebsmotorspannung bezeichnen. Das der Periodendauer entsprechende Ein- gangsneuron 30 kann einen Mittelwert aus wahlweise 4,8, 12 Perioden darstellen, um beispielsweise die Unsymmetrie des Ringmagneten des Antriebsmotors auszugleichen, während das der Antriebsmotorspannung entsprechende Eingangsneuron 31 den jeweils aktuell gefilterten Spannungswert repräsentiert.

Da sowohl die Periodendauer für jede Viertelumdrehung des Antriebsmotors als auch die Spannung immer vorliegt, stehen der mit hoher Taktfrequenz arbeitenden Adaption zu jeder Zeit die benötigten Werte zur Verfügung und müssen nicht mit einer Vollumdre- hung des Antriebsmotors synchronisiert werden. Der Ausgangswert des neuronalen A- daptionsnetzes 6 wird dann verwendet, wenn die Position des zu verstellenden Bauteils sich um eine Umdrehung des Antriebsmotors geändert hat.

Jedes Eingangsneuron 30,31 der Eingangsschicht 91 ist über eine Vielzahl von Verbin- dungen 36, denen unterschiedliche Gewichte zugeordnet sind, mit drei verborgenen Neuronen 32,33, 34 einer verborgenen Schicht 92 verbunden. Die drei verborgenen Neuronen 32,33, 34 der verborgenen Schicht 92 weisen unterschiedliche positive und negative Gewichte auf und sind über mehrere positiv oder negativ gewichtete Verbin- dungen mit einem Ausgangsneuron 35 der Ausgangsschicht 94 verbunden, an der eine aus den Eingangswerten ermittelte, auf die Referenzfrequenz normierte Adaptionsperio- de ansteht.

Die Gewichtung der Eingänge und Verbindungen der Neuronen des in Fig 13 dargestell- ten mehrstufigen neuronalen Adaptionsnetzes 9 erfolgt nach einer ersten empirischen Vorgabe in einer Lernphase, in der neue Verbindungen entwickelt, existierende Verbin- dungen gelöscht, die Stärken der Verbindungen durch Veränderung der Gewichte modi- fiziert, Schwellenwerte und Transferfunktionen modifiziert, neue Neuronen entwickelt und bestehende Neuronen gelöscht werden.

Die Gewichte und der Bias stellen die Intelligenz des neuronalen Adaptionsnetzes dar und bilden das Verhalten des Antriebsmotors zwischen zwei extremen Spannungen von beispielsweise 9 und 16V nach.

Um das Verhalten des Antriebsmotors bei allen möglichen Momenten zur Ermittlung der Netzgewichte optimal anzulernen, wird der Antriebsmotor in eine Motorbremse einge- spannt, die das Signal für das Moment liefert. Der Antriebsmotor wird mit einer Elektronik betrieben und die Spannung und Periode ausgelesen. Diese Informationen werden syn- chron zum Moment dokumentiert und das Aufnahmeverfahren bei jeder Spannung von der Leerlaufdrehzahl bis zum Blockieren des Antriebssystems durchgeführt. Zwischen jeder Messung wird eine längere Pause eingelegt, damit sich der Antriebsmotor wieder abkühlt.

Wird eine erhöhte Genauigkeit bei unterschiedlichen klimatischen Bedingungen benötigt, so wird derselbe Antriebsmotor mit unterschiedlichen Temperaturen betrieben, wobei die Motortemperatur selbst konstant gehalten wird. Sie dient stattdessen als möglicher weite- rer Eingang für das neuronale Adaptionsnetz. Mittels der Leerlaufdrehzahl und der Spannung kann die Motortemperatur ebenfalls mit einem neuronalen Temperaturnetz ermittelt werden. Die so ermittelte Motortemperatur kann zusätzlich auch für den Tem pe- raturschutz des Antriebsmotors verwendet werden, da sie genauer ist als ein am Fahr- zeugäußeren angebrachter Temperatursensor.

In den Fig. 13 und 14 sind zur Demonstration der Genauigkeit des neuronalen Adapti- onsnetzes 9 zwei Beispiele für die Ermittlung einer Referenzperiode bei Motorspann un- gen von 9 V bzw. 16 V dargestellt. Bei gleichem Drehmoment wird jeweils der positions- abhängige Adaptionswert des neuronalen Adaptionsnetzes wie folgt berechnet : Eingang 1 = Periode Eingang 2 = Spannung Fall1 : 9V 0.946065 0.379684 Fall2 : 16V 0. 415552 0.691795 Bias1 (Verb. Neuron 32) 1. 1 7752 Bias1 (Verb. Neuron 33)-2. 35308 Bias1 (Verb. Neuron 34)-0. 09405 Bias1 (Ausgangsneuron)-3. 15073

Als Transferfunktion wird beispielsweise die Logistic-Funktion gewählt : 1 Ausgang ;-1+e (Surnnte +Bias1) Die Summe des ersten verborgenen Neurons 32 beträgt Summe1 = Eingang 1 * Gewichte + Eingang 2 * Gewichte + Bias1 = 0.946065 *-4.766 + 0.379684 * 0.006 + 1.17752 =-3.3291 Der Ausgangswert des ersten verborgenen Neuron 32 beträgt somit 1 Ausgang = l+e-(-3. 3291) = 0. 034586 Dieses Ergebnis steht gerundet unter dem ersten verborgenen Neuron 32 des in Fig. 13 dargestellten neuronalen Adaptionsnetzes.

Nach dieser Vorgehensweise lassen sich die Ausgangswerte des zweiten und dritten verborgenen Neurons 33,34 sowie des Ausgangsneurons 35 berechnen : Summe2 =-0. 3055108 Ausgang2 = 0. 42421088 Summe3 = 1. 56893044 Ausgang3 = 0. 82763108 Summe4 =-0. 9786242 Ausgang4 = 0. 27316486= Ergebnis bei 9V In gleicher Weise kann die Referenzperiode für eine Motorspannung von 16V mit dem neuronalen Adaptionsnetz wie folgt berechnet werden

Summe1 =-0. 7989789 Ausgang1 = 0. 31024398 Summe2 = 0. 93062225 Ausgang2 = 0. 71720151 Summe3 = 0. 81829026 Ausgang3 = 0. 69387329 Summe4 =-0. 9684947 Ausgang4 = 0. 27518065= Ergebnis bei 16V Die Fehlerrate bei den vorstehend dargestellten extremen Spannungswerten beträgt : 1-0. 27518065 0.27316486 n1 _ U1 Der Fehler, der bei der Annäherung n2 U2 entstehen würde, läge je nach An- triebsmotor im Vergleich dazu zwischen 10 und 15%.

Um ein fehlerhaftes Reversieren des Antriebsmotors beispielsweise aufgrund von Ände- rungen der Verstellkraft des Fensterhebersystems oder Veränderungen des Antriebsmo- tors zu vermeiden, wird als zusätzliches Kriterium zum Erkennen eines Einklemmvorgan- ges die Federrate eines eingeklemmten Gegenstandes berücksichtigt.

Weist der Antriebsmotor beispielsweise einen vierpoligen Ringmagneten auf, so wird die Drehzahldifferenz zwischen der nullten und der vierten Periode des Antriebsmotors ermit- telt und dieser Wert mit dem der Verstellkraft der Antriebseinrichtung entsprechenden Ausgangswert des neuronalen Netzes 6 gemäß Fig. 2 verknüpft. Die Funktionsweise dieser Verknüpfung soll anhand der Fig. 15 bis 17 näher erläutert werden.

Fig. 15 zeigt den Verlauf des Drehmomentes M über den Verstellweg s bei vier verschie- denen Schließvorgängen a bis d und Fig. 16 den Verlauf der Federrate Fr bzw. der

Drehzahldifferenz von zwei Vergleichsperioden über den Verstellweg s bei den in Fig. 15 dargestellten Schließbewegungen einer Fensterscheibe 22 gemäß Fig. 1. Der Drehzahl- differenz-Schwellwert SF definiert dabei die Grenze, ab der niedrige Federraten beginnen und beträgt beispielsweise 20 N/mm.

Durch die Vorgabe von zwei Abschaltwert-Schwellwerten ASW1 und ASW2 des Aus- gangswertes des neuronalen Netzes und eines Drehzahldifferenz-Schwellwertes SF kön- nen die nachfolgend beschriebenen Reversierfälle unterschieden werden.

Überschreitet entsprechend der Kurve a der Ausgangswert M des neuronalen Netzes nach dem Verstellweg si den ersten Abschalt-Schwellwert ASW1 und ist an dieser Stelle die Drehzahldifferenz kleiner als der vorgegebene Drehzahldifferenz-Schwellwert SF, so wird der Antriebsmotor auch dann nicht reversiert, wenn im weiteren Verlauf der Dreh- zahldifferenz-Schwellwert SF beispielsweise nach dem Verstellweg s7 überschritten wird.

In diesem Falle wird ein Reversieren des Antriebsmotors verriegelt bzw. gesperrt, so dass bei einem Überschreiten des Drehzahldifferenz-Schwellwertes SF im weiteren Ver- lauf des Verstellweges kein Reversieren des Antriebsmotors möglich ist. Nur wenn beim weiteren Verstellen der zweite Abschalt-Schwellwert S2 überschritten wird, erfolgt ein sofortiges Reversieren des Antriebsmotors.

Nur wenn während dieses Laufs der zweite Abschalt-Schwellwert ASW2, der größer ist als der erste Abschalt-Schwellwert ASW1, überschritten wird, wird der Antriebsmotor reversiert.

Dasselbe Kriterium trifft auf die Kurve b zu, die nach dem Verstellweg s2 kurzeitig den ersten Abschalt-Schwellwert ASW1 überschreitet und dann wieder unter den ersten Ab- schalt-Schwellwert ASW1 fällt.

Überschreitet der Ausgangswert M des neuronalen Netzes entsprechend der Kurve c den ersten Abschalt-Schwellwert ASW1 beim Verstellweg s3, bei dem die Drehzahldiffe- renz ebenfalls kleiner ist als der Drehzahldifferenz-Schwellwert SF, so erfolgt ein soforti- ges Reversieren des Antriebsmotors erst dann, wenn der zweite Abschalt-Schwellwert ASW2 an der Stelle S5 überschritten wird.

Überschreitet entsprechend der Kurve d der Ausgangswert M des neuronalen Netzes den ersten Abschalt-Schwellwert ASW nach dem Verstellweg s4 und ist an dieser Stelle die Drehzahldifferenz größer als der Drehzahldifferenz-Schwellwert SF, so erfolgt ein sofortiges Reversieren des Antriebsmotors.

In Fig. 17 sind die vorstehenden Abschaltkriterien als Flussdiagramm dargestellt, das nach dem Start des Programms in einem ersten Entscheidungsblock 41 den Ausgangs- wert AN des neuronalen Netzes mit dem ersten Abschalt-Schwellwert ASW1 und die Fe- derrate bzw. Drehzahldifferenz mit dem Drehzahldifferenz-Schwellwert SF vergleicht. Ist der Ausgangswert AN größer als der erste Abschalt-Schwellwert ASW und die Dreh- zahidifferenz kleiner als der Drehzahldifferenz-Schwellwert SF, so wird ein Flag 44 ge- setzt und einem zweiten Entscheidungsblock 42 zugeführt, während das Programm bei Nichterfüllen der vorstehenden Bedingung direkt zum zweiten Entscheidungsblock 42 übergeht.

In diesem zweiten Entscheidungsblock 42 wird die Bedingung geprüft, ob das Flag 42 gesetzt ist und der Ausgangswert AN des neuronalen Netzes größer als der zweite Ab- schalt-Schwellwert ASW2 ist. Trifft diese UND-Verknüpfung zu, so erfolgt ein sofortiges Reversieren des Antriebsmotors. Trifft diese Bedingung dagegen nicht zu, so wird in ei- nem dritten Entscheidungsblock 43 geprüft, ob der Ausgangswert AN des neuronalen Netzes größer ist als der erste Abschalt-Schwellwert ASW und die Drehzahldifferenz größer als der Drehzahldifferenz-Schwellwert SF. Trifft dies zu, so wird der Antriebsmotor ebenfalls sofort reversiert. Trifft dies nicht zu, so wird erneut zum ersten Entscheidungs- block 41 zurückgesprungen.

Die Verknüpfung der ermittelten Federrate mit dem Ausgangswert des neuronalen Net- zes kann entweder mittels eines Fuzzy-Systems oder mittels eines mathematischen Mo- dells mit einem entsprechenden Algorithmus oder ebenfalls mittels eines neuronalen Netzes erfolgen, dem in der Eingangsschicht der der Verstellkraft bzw. dem Verstellmo- ment entsprechende Ausgangswert des neuronalen Netzes gemäß Fig. 2 und die ermit- telte Drehzahldifferenz zugeführt wird und das an seiner Ausgangsschicht einen Wert abgibt, der einem eingeklemmten oder nicht eingeklemmten Zustand entspricht.

Figur 18a zeigt das schematische Blockschaltbild einer ersten Ausführungsform einer Steuerungsvorrichtung mit einem neuronalen Netz für eine Verstelleinrichtung eines Kraftfahrzeugteiles.

Zunächst wird der Aufbau der gezeigten Steuerungsvorrichtung beschrieben. Die Steue- rungsvorrichtung umfasst eine Elektronikeinrichtung 1000. Diese weist einen Mii<rocont- roller 1100, ein Bauelement mit einem neuronalen Netz 1200 und ein Spei cherele- ment 1300 auf. Der Mikrocontroller 1100 ist sowohl mit dem neuronalen Netz 1200 als auch mit dem Speicherelement 1300 verbunden. Das Speicherelement 1300 wirkt mit dem neuronalen Netz 1200 über eine Leitungsverbindung zusammen.

Sowohl der Mikrocontroller 1100 als auch das neuronale Netz 1200 weisen eine Mehr- zahl von Schnittstellen 1400,1500 auf. Die Schnittstellen 1400 des neuronalen Net- zes 1200 dienen als Eingänge für die auszuwertenden Messgrößen S'. Diese Schnittstel- len 1400 führen die Messgrößen S der Eingangsschicht des neuronalen Netzes'1200 zu.

Eine oder mehrere dieser Schnittstellen 1300 können als Anschlüsse an einen CAN-o- der LIN-Bussystem des Kraftfahrzeuges ausgebildet sein.

Als Messgrößen S'eignen sich insbesondere die Signale eines Beschleunigungssensors, der die Bewegung des Kraftfahrzeuges oder eines Kraftfahrzeugteiles wie beispielsweise der Tür-oder der Heckklappe charakterisiert. Ausgehend von diesen Beschleunigungs- signalen lässt sich beispielsweise das Befahren einer Schlechtwegstrecke oder die Zu- schlagbewegung einer Tür bzw. einer Heckklappe eindeutig als Zustand identifizieren.

Ebenso ist es vorgesehen, Messgrößen eines der Verstelleinrichtung zugeordneten Mo- tors M'auszuwerten. Die Bewegungscharakteristik von Elektromotoren lässt sich bei- spielsweise durch Hallsensoren überwachen. Die Auswertung dieser Signale erlaubt Rückschlüsse auf Schwergängigkeiten und Einklemmfälle.

Die Schnittstellen 1500 des Mikrocontrollers 1100 dienen als Eingänge für Signale, aus denen sich die unterschiedlichen Zustände des Kraftfahrzeuges und seiner Bauelemente herauslesen lassen. Dabei kann es sich um die gleichen Messgrößen S oder um eine Teilmenge dieser Messgrößen S'handeln, die über die Schnittstellen 1400 an das neu- ronale Netz 1200 gelangen.

Über eine Leitungsverbindung steuert der Mikrocontroller 1100 mit Hilfe eines Leistungs- treibers H'einen Motor M'. Dieser Motor M'bewegt das der Verstelleinrichtung zugeord- nete Kraftfahrzeugteil.

Es ist selbstverständlich, dass der Mikrocontroller 1100, das neuronale Netz 1200 und/oder das Speicherelement 1300 als dargestellte Elemente der Elektronikeinrich- tung 1000 auch als bauliche Einheit in Form eines integrierten Schaltkreises ausgebildet sein können. Die Variante der Integration von neuronalem Netz 1200 und Speicherele- ment 1300 ist als schematische Darstellung einer zweiten Ausführungsform der Steue- rungsvorrichtung in Figur 18b gezeigt. Die übrigen Bauelemente dieser Darstellung ent- sprechen denen aus Figur 18a, so dass auf die vorangehenden Ausführungen verwiesen wird.

Die technische Umsetzung der Integration eines neuronalen Netzes in einen Mikrocont- roller kann zum einen darin bestehen, dass das neuronale Netz im Mikrocontroller als Software realisiert ist. Zum anderen ist ebenso denkbar, dass der Mikrocontroller in Form eines ASIC-Aufbaus (Applied-Specific-Integrated-Circuit) realisiert ist. Selbstverständlich lässt sich das Speicherelement 1300, wie in Figur 18b gezeigt, ebenfalls im Mikrocontrol- ler integrieren. Eine denkbare-nicht dargestellte-Variante besteht darin, dass nur das neuronale Netz 1200 im Mikrocontroller integriert ist, nicht jedoch das Speicherelement, das dann als separates Bauteil der Elektronikeinrichtung realisiert wäre.

Im Folgenden geht es um die Funktionsweise der in den Figuren 18a und 18b dargestell- ten Steuerungsvorrichtungen. Der Mikrocontroller 1100 erhält über die Schnittstel- len 1400,1500 die Signale des Kraftfahrzeuges und seiner Bauelemente, die ihn über deren jeweiligen Zustand informieren. Im Mikrocontroller 1100 ist die Information abge- legt, bei welchen der ermittelten Zustände das neuronale Netz 1200 mit welchen Sätzen an Gewichten arbeiten sollte. Falls sich also der ermittelte Zustand des Fahrzeugs und seiner Bauelemente so ändert, dass ein anderer Gewichtssatz für das neuronale Netz 1200 erforderlich ist, so initiiert der Mikrocontroller, dass der entsprechende Satz an Gewichten aus dem Speicherelement 1300 für das neuronale Netz 1200 bereitgestellt wird. Das neuronale Netz 1200 arbeitet dann so lange mit dem neuen Satz an Gewich- ten, bis der Mikrocontroller 1100 wieder eine solche Änderung des Zustands von Kraft- fahrzeug und/oder dessen Bauelementen registriert, die einen erneuten Wechsel des Gewichtssatzes für das neuronale Netz erforderlich machen.

Die vorangehend beschriebene Funktionsweise ist unabhängig davon, ob das neuronale Netz 1200 als Software oder als integriertes Hardware-Element in ASIC-Bauweise im Mikrocontroller 1100 integriert ist oder als separates elektronisches Bauelement vorse- hen ist.

Das neuronale Netz 1200 realisiert unabhängig von dem gerade aktiven Gewichtssatz einen Einklemmschutz im Hinblick auf Hindernisse, die im Verstellweg des Kraftfahrzeug- teiles einklemmen.

Auf diese Weise lässt sich das Steuerungssystem bevorzugt derart ausbilden, dass für bestimmte Zustände, wie z. B. das Befahren einer Schlechtwegstrecke oder das Zuschla- gen einer Kraftfahrzeugtür mittels des neuronalen Netzes 1200 der Verstelleinrichtung hauptsächlich ein eingeschränkter Bereich an Federraten des verstellbaren Kraftfahr- zeugteiles detektiert wird. Dies lässt sich dadurch erreichen, dass für die übrigen Feder- raten eine deutlich erhöhte Ansprechschwelle des durch das neuronale Netz 1200 reali- sierten Einklemmschutzsystems eingesetzt wird.

Dies ist schematisch in Figur 19 dargestellt. Hier ist die Ansprechschwelle A'des Ein- klemmschutzsystems der Verstelleinrichtung über der Federrate F'aufgetragen.

Ein erster Satz an Gewichten G1'für das neuronale Netz 1200 weist für sämtliche Feder- raten F'die gleiche Ansprechschwelle auf. Dies soll durch die durchgezogene und an- schließend gestrichelt gezeichnete Linie verdeutlicht werden.

Ein zweiter Satz an Gewichten G2'hat ab einer Federrate von in etwa 20 N/mm eine deutlich erhöhte Ansprechschwelle. Dieser Satz G2'würde beispielsweise beim Zustand des Befahrens einer Schlechtwegstrecke oder beim Zuschlagen einer Kraftfahrzeugtür zum Einsatz kommen. Es ist klar, dass der Betrag der Erhöhung der Ansprechschwelle und der Federraten-Schwellwert frei einstellbar sind, was durch die eingezeichneten Pfei- le verdeutlicht werden soll.

Weiterhin wird ein Verfahren zur Steuerung einer Verstelleinrichtung eines Kraftfahrzeug- teiles mit einer ein neuronales Netz aufweisenden Elektronikeinrichtung beschrieben.

Dieses Verfahren umfasst die folgenden Schritte : - Auswerten von Messgrößen des Kraftfahrzeuges und/oder der Verstelleinrich- tung mittels der Elektronikeinrichtung zur Ermittlung eines Zustands des Kraft- fahrzeuges und/oder eines Zustands der Verstelleinrichtung ; - abhängig von der Auswertung der Messgrößen und des ermittelten Zustands Auswählen eines Satzes von Gewichten für das neuronale Netz aus einer Mehrzahl von Gewichtssätzen und - Verwenden des ausgewählten Gewichtssatzes zum Betreiben des neuronalen Netzes während des Steuerns der Verstelleinrichtung des Kraftfahrzeugteils.

Dabei wird das neuronale Netz bevorzugt derart betrieben, dass es einen Einklemm- schutzsystem für Hindernisse bereitstellt, die im Verstellweg des Kraftfahrzeugteiles ein- geklemmt werden.

Bevorzugt wird ein Mikrocontroller der Elektronikeinrichtung Messgrößen des Kraftfahr- zeuges auswerten, um Zustände des Kraftfahrzeuges und/oder von Kraftfahrzeug- Bauelementen zu ermitteln. Abhängig vom ermittelten Zustand wird der Mikrocontroller den diesem Zustand zugeordneten Satz an Gewichten für das neuronale Netz aktivieren.

Bezugszeichenliste 1 Kraftfahrzeugtür 2 Fensterheber 3 Antriebsmotor 4 Schalteinrichtung 5 Spannungsquelle 6 Neuronales Netz (Backpropagation-Netzwerk) 7 Bedienungseinheit 8 Mikrocomputer 9 neuronales Adaptionsnetz 10 Eingangsneuronen 11 verborgene Neuronen 12 Ausgangsneuron 14,15, 16 gewichtete Verbindungen 21 Hebeschiene 22 Fensterscheibe 23 Hebevorrichtung 30,31 Eingangsneuronen des neuronales Adaptionsnetzes 32,33, 34 verborgene Neuronen des neuronales Adaptionsnetzes 35 Ausgangsneuron des neuronales Adaptionsnetzes 36,37 gewichtete Verbindungen des neuronales Adaptionsnetzes 60 Mikroprozessor 61 Eingangs-oder Eingabeschicht 62,63 verborgene Schichten 64 Ausgangs-oder Ausgabeschicht 91 Eingangs-oder Eingabeschicht des neuronales Adaptionsnetzes 92,93 verborgene Schichten des neuronales Adaptionsnetzes 94 Ausgangs-oder Ausgabeschicht des neuronales Adaptionsnetzes 101-103 Eingangsneuronen 111,112 verborgene Neuronen 1000 Elektronikeinrichtung 1100 Mikrocontroller 1200 Neuronales Netz 1300 Speichereinheit 1400, 1500 Schnittstellen A'Ansprechschwelle des Einklemmschutzes F'Federrate G1'Erster Gewichtssatz für das neuronale Netz G2'Zweiter Gewichtssatz für das neuronale Netz H'Leistungstreiber M'Motoreinrichtung S'Messgrößen ASW1, ASW2 Abschalt-Schwellwerte SF Drehzahldifferenz-Schwellwert