Die vorliegende Erfindung betrifft ein Verfahren und System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung, wobei eine zu testende Konfigura tion eines Fahrzeugs der Fahrzeuggattung in einem RDE-Testbetrieb betrieben wird.

Mit der Einführung der Real Driving Emissions (RDE)-Gesetzgebung soll die Diskrepanz zwischen Homologation und realen Emissionen bei Kraftfahrzeugen reduziert werden. Da bei müssen Kraftfahrzeuge ab September 2017 für die Typprüfung in der Europäischen Union neben einem Prüfzyklus im Labor (WLTP, WLTC) auch die Einhaltung von Emissi onsgrenzwerten auf der Straße unter realen Fahrbedingungen nachweisen.

Der Schadstoffausstoß am realen Fährbetrieb ist damit stärker in den Fokus der Entwick lung gerückt. Ziel ist es letztendlich, nicht wie bis dahin üblich die Emissionsgrenzwerte in einem genau vordefinierten Zyklus unter vordefinierten Randbedingungen einzuhalten, sondern die Emissionsziele robust auf realen Prüffahrten auf unbekannten Strecken mit bewusst grob abgesteckten Randbedingungen einzuhalten.

Folglich hat die RDE-Gesetzgebung große Auswirkungen auf die Entwicklungen neuer Kraftfahrzeugantriebe. Die Straße als Prüfumgebung sorgt für große technische Heraus forderungen. Bei der klassischen Zyklus-basierten Entwicklung stehen Fahrversuche un ter Realbedingungen erst mit Prototypkraftfahrzeugen und damit am Ende des Entwick lungsprozesses an. Ein typisches RDE-Testprogramm mit mobilen Messgeräten (Portable Emission Measurement System - PEMS) besteht dabei aus einer großen Anzahl an Prüf fahrten auf unterschiedlichen Strecken mit verschiedenen Fahrern, um statistisch eine größtmögliche Bandbreite von Bedingungen abzudecken.

Die Straße als Prüfstandsumgebung bietet mit ihrer Vielzahl an Einflüssen zwar die not wendige stochastische Grundlage, um sicherzustellen, dass Kraftfahrzeuge auch im Kun denbetrieb die geforderten Emissionsziele einhalten. Allerdings ist es durch die schwer kontrollierbaren Einflüsse nahezu unmöglich, bei realen Prüffahrten auf der Straße zwei Messungen mit vergleichbaren Bedingungen durchzuführen. Aus diesem Grund lassen sich Auswirkungen von Änderungen an einem Fahrzeug, insbesondere an einem Antriebsstrang oder einem Abgasstrang, nicht gezielt mit einem Basiszustand bzw. einer Basiskonfiguration vergleichen. Dies macht die Aussage über die Wirksamkeit von Ände rungen schwierig. Aus diesem Grund wird die Straße als Entwicklungsumgebung bisher nur als bedingt geeignet angesehen.

Ein Lösungsansatz besteht darin, dynamische Geschwindigkeitsprofile zu erzeugen, wel che die Reproduktion eines Prüfbetriebs auf Prüfständen oder modellbasiert ermöglichen, welcher wenigstens im Wesentlichen einem Betrieb im realen Straßenverkehr entspricht.

Diesen Ansatz verfolgt die Anmelderin mit dem internen Stand der Technik, welcher mit dem Anmeldeaktenzeichen PCT/AT2019/06315 zur Anmeldung gebracht wurde, dessen Offenbarung ausdrücklich durch Bezugnahme in die vorliegende Anmeldung mit einbezo gen wird.

Des Weiteren sind aus dem Stand der T echnik verschiedene Verfahren zur Analyse von Fahrzeugen oder Antrieben bekannt, bei denen Modelle auf der Grundlage von Aus gleichsrechnungen zum Einsatz kommen.

Beispielsweise offenbart das Dokument WO 2019/153026 der Anmelderin, dessen Offen barung ausdrücklich durch Bezugnahme in die vorliegende Anmeldung mit einbezogen wird, ein Verfahren zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten, welche eine Mehrzahl an verschiedenen Einrichtungen auf weisen, insbesondere eines Fahrzeugs oder Motors, mit folgenden Arbeitsschritten:

Simulieren eines Betriebs einer Einheit der Gattung in einem definierten Betriebs zyklus mittels eines Modells, in welchem wenigstens die zu analysierenden Einrichtungen als virtuelle Einrichtung abgebildet sind, wobei das Simulieren mehrmals mit jeweils unter schiedlicher Konfiguration der Einheiten durchgeführt wird, und wobei jede Konfiguration durch eine Ausprägung einer Eigenschaft wenigstens einer Einrichtung charakterisiert ist;

Aufzeichnen von Datensätzen, insbesondere Datenmatrizen, von Beobachtungsgrö ßen der simulierten Einheit;

Auswählen von Datenbereichen aus den Datensätzen, insbesondere aus Datenspal ten von Datenmatrizen, für welche eine Korrelation von Beobachtungsgrößen zu den zum Simulieren eingesetzten Ausprägung einer Eigenschaft der zu analysierenden Einrichtung feststellbar ist, insbesondere mittels einer statistischen Methode; Durchführen einer Ausgleichsrechnung auf der Grundlage der ausgewählten Daten bereiche und der korrelierenden Ausprägung; und/oder

Anwenden eines Transformationsmodells auf der Grundlage der Ausgleichsrech nung, wobei das Transformationsmodell eine Zuordnungsvorschrift zwischen den Be obachtungsgrößen und einer Eigenschaft wenigstens einer Einrichtung aufweist, wobei das Transformationsmodell eingerichtet ist, auf der Grundlage von wenigstens einem an der zu prüfenden Einheit in dem definierten Betriebszyklus aufgezeichneten Datensatz eine Ausprägung der wenigstens einen zu analysierenden Einrichtung auszugeben.

Es ist eine Aufgabe der Erfindung, eine Verbesserung einer Vergleichbarkeit von Daten aus RDE-Testbetrieben zu erreichen.

Diese Aufgabe wird gelöst durch ein Computer-gestütztes Verfahren zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage eines RDE-Testbetriebs und eines entsprechenden Systems gemäß den unabhängigen Ansprü chen. Vorteilhafte Ausgestaltungen werden in den Unteransprüchen beansprucht.

Ein erster Aspekt der Erfindung betrifft ein Computer-gestütztes Verfahren zum Analysie ren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage ei nes RDE-Testbetriebs, insbesondere zum Vergleichen einer zu testenden Konfiguration mit einer Basiskonfiguration, folgende Arbeitsschritte aufweisend:

Aufzeichnen eines ersten Datensatzes von gemessenen Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung und von Umgebungsgrö ßen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer während eines RDE-Testbetriebs der zu testenden Konfiguration, wobei ein Teil des ers ten Datensatzes ein Betriebsverhalten der zu testenden Konfiguration bei bestimmten Be triebsbedingungen charakterisiert;

Simulieren eines Betriebsverhaltens einer Basiskonfiguration eines Fahrzeugs der Fahrzeuggattung mittels eines Fahrzeugmodells der Basiskonfiguration, wobei beim Si mulieren ein oder mehrere Größen des ersten Datensatzes Eingangsgrößen des Fahr zeugmodells sind und ein zweiter Datensatz wenigstens einer Betriebsgröße der Ba siskonfiguration erzeugt wird und wobei der zweite Datensatz ein Betriebsverhalten der Basiskonfiguration bei den bestimmten Betriebsbedingungen charakterisiert; und Vergleichen des Betriebsverhaltens der zu testenden Konfiguration mit dem Be triebsverhalten der Basiskonfiguration auf der Grundlage des Teils des ersten Datensat zes und des zweiten Datensatzes.

Ein zweiter Aspekt der Erfindung betrifft ein Verfahren zum Trainieren eines Fahrzeugmo dells zum Simulieren eines Betriebsverhaltens eines Fahrzeugs, folgende Arbeitsschritte aufweisend:

Durchführen von mehreren RDE-Testbetrieben einer einzigen Konfiguration der Fahrzeuggattung, wobei die RDE-Testbetriebe mit jeweils unterschiedlichen Testumge bungen und wenigstens einem Fahrzeug der Konfiguration durchgeführt werden;

Aufzeichnen eines Datensatzes von gemessenen Betriebsgrößen der Konfiguration und Umgebungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergan genen Zeitdauer, wobei ein Teil des Datensatzes das Betriebsverhalten der Konfiguration in den unterschiedlichen Testumgebungen charakterisiert;

Auswählen von einem Datenbereich aus dem Datensatz, für welchen eine Korrelation von Betriebsbedingungen, insbesondere Fahrstil und Umgebungsbedingungen, einerseits und dem Betriebsverhalten andererseits feststellbar ist, insbesondere mittels einer statisti schen Methode; und

Trainieren des Fahrzeugmodells durch Einlesen des ausgewählten Datenbereichs in eine Ausgleichsrechnung, insbesondere ein künstliches neuronales Netz oder ein Ran- dom-Forest-Algorithmus, welche die Grundlage für das Fahrzeugmodell bildet.

Ein dritter Aspekt der Erfindung betrifft ein System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage eines RDE-Testbetriebs, aufweisend:

Sensoren zur Erfassung von Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung;

Datenverarbeitungsmittel zum Aufzeichnen eines ersten Datensatzes von Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung und von Umge bungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeit dauerwährend eines RDE-Testbetriebs der zu testenden Konfiguration, wobei ein Teil des ersten Datensatzes das Betriebsverhalten der zu testenden Konfiguration bei bestimmten Betriebsbedingungen charakterisiert; Simulationsmittel zum Simulieren eines Betriebsverhaltens einer Basiskonfiguration eines Fahrzeugs der Fahrzeuggattung mittels eines Fahrzeugmodells der Basiskonfiguration, wobei beim Simulieren Größen des aufgezeichneten ersten Datensatzes Eingangsgrößen des Fahrzeugmodells sind und ein zweiter Datensatz wenigstens einer Betriebsgröße der Basiskonfiguration erzeugt wird und wobei der zweite Datensatz das Betriebsverhalten der Basiskonfiguration bei den bestimmten Betriebsbedingungen charakterisiert; und Vergleichsmittel zum Vergleichen des Betriebsverhaltens der zu testenden Konfiguration mit dem Betriebsverhalten der Basiskonfiguration auf der Grundlage des Teils desersten Datensatzes und des zweiten Datensatzes.

Eine Ausgleichsrechnung im Sinne der Erfindung ist vorzugsweise ein Regressionsver fahren oder ein Mustererkennungsverfahren, insbesondere auf der Grundlage eines neu ronalen Netzes oder eine Random Forest Regression, und/oder eine Kombination aus beiden, insbesondere im Sinne der statistischen Lehre.

Ein Simulieren im Sinne der Erfindung kann auf einem Prüfstand oder rein modellbasiert auf einem Rechner durchgeführt werden. Vorzugsweise können bei einer Simulation auch wenigstens eine Komponente auf einem Prüfstand in einem simulierten Betrieb betrieben und wenigstens eine andere Komponente modellbasiert auf einem Rechner betrieben wer den.

Ein Simulieren eines Betriebsverhaltens im Sinne der Erfindung ist vorzugsweise eine zeit aufgelöste oder streckenaufgelöste Simulation des Betriebsverhaltens eines Fahrzeugs. Ein Betriebsverhalten eines Fahrzeugs wird insbesondere durch Betriebsgrößen wie Dreh zahl, Drehmoment, Massenflüsse, Drücke, Temperaturen, insbesondere Kühlmitteltempe ratur, Treibstoffverbrauch, Verbrauch anderer Betriebsmittel, Emissionen, OBD-Werte, Geschwindigkeit, Gangwahl, Emissionen, insbesondere C0 ₂ -Emission, Stickstoffemis sion, Partikelanzahl-Emission etc., charakterisiert.

Betriebsbedingungen im Sinne der Erfindung setzen sich vorzugsweise wenigstens zu sammen aus Fahrstil und Umgebungsbedingungen.

Umgebungsgrößen im Sinne der Erfindung sind vorzugsweise Straßensteigung, Höhe über Null-Niveau, absolute Feuchtigkeit, Umgebungsdruck, Umgebungstemperatur. Ausgeben im Sinne der Erfindung bedeutet vorzugsweise ein Bereitstellen von Daten. Ins besondere kann dies an einer Datenschnittstelle und/oder auch an einer Benutzerschnitt stelle geschehen.

Ein Mittel im Sinne der Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein und insbesondere eine, vorzugsweise mit einem Speicher- oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungseinheit, insbesondere Mikropro zessor-Einheit (CPU) und/oder ein oder mehrere Programme oder Programm-Module auf weisen. Die CPU kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersys tem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus zu geben. Ein Spei chersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbe sondere verschiedene Speichermedien, insbesondere optische, magnetische, Festkörper und/oder andere nicht-flüchtige Medien, aufweisen. Das Programm kann derart beschaf fen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist und dass die CPU die Schritte solcher Verfahren ausführt.

Eine Fahrzeuggattung im Sinne der Erfindung ist vorzugsweise eine Gesamtheit von Fahr zeugen, welche in ihren wesentlichen Merkmalen übereinstimmen und daher weiter vor zugsweise baugleich sind. Vorzugsweise sind die wesentlichen Komponenten, insbeson dere der Antrieb, in einer Fahrzeuggattung baugleich. Ein bestimmtes Fahrzeug ist mithin vorzugsweise eine bestimmte Realisierung der Fahrzeuggattung. Ein Betriebsverhalten im Sinne der Erfindung wird vorzugsweise durch Werte der Betriebsgrößen charakterisiert.

Eine Konfiguration im Sinne der Erfindung entspricht vorzugsweise einer Realisierung der Fahrzeuggattung, welche durch eine Ausprägung wenigstens einer Eigenschaft wenigs tens einer der Einrichtungen des Fahrzeugs charakterisiert ist.

Eine Basiskonfiguration im Sinne der Erfindung ist vorzugsweise eine definierte Konfigu ration der Fahrzeuggattung, von welcher ausgehend eine zu testende Konfiguration kon figuriert wurde. Ein Fahrstil im Sinne der Erfindung ist vorzugsweise eine Konstellation von Werten von Betriebsgrößen oder ein Verlauf von Werten wenigstens einer Betriebsgröße, welche das Betriebsverhalten eines Fahrzeugs beeinflussen. Fahrstil wird insbesondere durch die Größen Beschleunigung, Drosselklappenstellung und Geschwindigkeit in Abhängigkeit von einem Straßenverlauf und/oder einer Fahrsituation charakterisiert.

Eine Umgebung im Sinne der Erfindung ist vorzugsweise eine Umwelt und/oder eine Fahr situation um ein betrachtetes Fahrzeug.

Ein RDE-Testbetrieb im Sinne der Erfindung ist vorzugsweise ein Testbetrieb unter RDE- Bedingungen. Ein RDE-Testbetrieb kann jedoch auch jede andere Art von Testbetrieb, insbesondere ein zufälliger Testbetrieb, sein. Ein RDE-Testbetrieb wird vorzugsweise un ter realen Bedingungen, insbesondere auf der Straße durchgeführt.

Ein Fahrzeugmodell im Sinne der Erfindung ist vorzugsweise ein Modell, welches das Be triebsverhalten eines Fahrzeugs abbildet. Vorzugsweise kann das Fahrzeugmodell nur eine einzelne Betriebsgröße berechnen, welche eine abhängige Variable im Sinne des maschinellen Lernens ist. Weiter vorzugsweise weist ein solches Fahrzeugmodell Unter modelle auf, welche jeweils eine einzelne Betriebsgröße berechnen können.

Die Erfindung beruht auf dem Ansatz, Testbetriebe, welche mit Fahrzeugen einer Fahr zeuggattung mit verschiedener Konfiguration durchgeführt wurden, durch Angleichen je ner Größen vergleichbar zu machen, welche von außerhalb der jeweiligen Fahrzeuge be stimmt werden. Vorzugsweise charakterisieren diese den Fahrstil, mit welchem das Fahr zeug durch einen Fahrer oder auch durch ein Fahrerassistenzsystem betrieben wird, und eine Umgebung des Fahrzeugs.

Der Erfindung liegt die Erkenntnis zu Grunde, dass ein Betriebsverhalten einer zu testen den Konfiguration eines Fahrzeugs der Fahrzeuggattung auf ein Betriebsverhalten eines Fahrzeugs der Fahrzeuggattung mit der Basiskonfiguration zurückgeführt werden kann, indem vorgegeben wird, dass die Basiskonfiguration unter denselben Betriebsbedingun gen wie der Testbetrieb der zu testenden Konfiguration durchgeführt worden wäre. Erfindungsgemäß wird hierbei ein Fahrzeugmodell eingesetzt, welches vorzugsweise auf einer deduktiven Methode beruht. Vorzugsweise werden zur Bildung eines solchen Fahr zeugmodells Maschinenlernalgorithmen, wie beispielsweise künstliche neuronale Netze oder Random Forest-Algorithmen, angewendet.

Ein Vorteil der Erfindung liegt darin, dass der Effekt einer veränderten Konfiguration (bei spielsweise gegenüber der Basiskonfiguration) auf der Grundlage weniger RDE- Testbetriebe einer zu testenden Konfiguration oder sogar eines einzigen Testbetriebs der zu testenden Konfiguration festgestellt werden kann. Eine statistische aussagekräftige Menge an RDE-Testbetrieben für die zu testende Konfiguration ist nicht notwendig. Nur das Fahrzeugmodell der Basiskonfiguration sollte für eine vollständige Abbildung des Fahrzeugs im Versuchsraum, welcher durch die in den RDE-Testbetrieben variierten Pa rameter aufgespannt wird, möglichst vollständig untersucht sein und damit gültig sein.

Durch die Erfindung kann mithin der Aufwand an Testfahrten mit einer zu testenden Kon figuration wesentlich reduziert werden. Des Weiteren können Bewertungen des Betriebs verhaltens der zu testenden Konfiguration in Bezug auf verschiedene Fahrstile und Um gebungsbedingungen objektiviert werden. Daher müssen die Testfahrten auch nicht un bedingt mit unterschiedlichen Fahrern durchgeführt werden.

In einer vorteilhaften Ausgestaltung des Verfahrens gemäß dem ersten Aspekt der Erfin dung weist das Fahrzeugmodell eine Zuordnungsvorschrift zwischen Betriebsbedingun gen, insbesondere Fahrstil und Umgebungsbedingungen einerseits und dem Betriebsver halten andererseits auf, wobei das Fahrzeugmodell auf einer Ausgleichsrechnung, insbe sondere einem künstlichen neuronalen Netz oder einem Random Forest-Algorithmus, be züglich eines Datensatzes beruht, welcher aus mehreren RDE-Testbetrieben mit der Ba siskonfiguration mit jeweils unterschiedlichen Betriebsbedingungen resultiert.

Vorzugsweise kommt für jeden Betriebsparameter, welcher das Betriebsverhalten charak terisiert, eine eigene Ausgleichsrechnung für das Fahrzeugmodell zum Einsatz.

Der Einsatz einer Ausgleichsrechnung zur Bildung des Fahrzeugmodells ermöglicht es, eine sehr große Menge an Betriebsgrößen und Umgebungsgrößen zu berücksichtigen. Die Bildung von physikalischen Modellen für eine Fahrzeuggattung wäre für die Menge der zu verarbeitenden Information sehr aufwändig und würde zumindest eine sehr lange Zeitdauer benötigen.

In einer weiteren vorteilhaften Ausgestaltung des Verfahrens gemäß dem ersten Aspekt der Erfindung wird auch der zweite Datensatz von Betriebsgrößen der Basiskonfiguration als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer aufge zeichnet.

Hierdurch können zur Ermittlung des Betriebsverhaltens der Basiskonfiguration zeitliche Abschnitte eines RDE-Betriebs oder sogar ein ganzer RDE-Betrieb für die Basiskonfigu ration rekonstruiert werden. Diese Zeitabschnitte können dann mit den entsprechenden Zeitabschnitten des Betriebsverhaltens der zu testenden Konfiguration verglichen werden.

In einer weiteren vorteilhaften Ausgestaltung des Verfahrens gemäß dem ersten Aspekt der Erfindung wird eine Kenngröße auf der Grundlage des Vergleichens ermittelt und aus gegeben.

Eine Kenngröße kann hierbei eine Bewertung der zu testenden Konfiguration in Bezug auf die Basiskonfiguration enthalten.

In einerweiteren vorteilhaften Ausgestaltung des Verfahrens nach dem ersten Aspekt der Erfindung unterscheiden sich die zu testende Konfiguration und die Basiskonfiguration durch ein Katalysator-Alterung oder eine Befüllung eines Partikelfilters, wobei der zweite Datensatz wenigstens Werte einer Emission enthält.

In diesem Fall wird das Betriebsverhalten im Wesentlichen durch die Emission bei ver schiedenen Konfigurationen des Abgasstrangs des Fahrzeugs charakterisiert.

In einer vorteilhaften Ausgestaltung der Verfahren wird das Auswählen des Datenbereichs mittels einer Feature Selection-Methode, vorzugsweise einer filter-basierten Feature Sel- ection-Methode, durchgeführt.

Durch das Anwenden einer Feature Selection-Methode werden jene Features bzw. Merk male, beispielsweise Betriebsgrößen, identifiziert werden, welche bei der Modellbildung zu berücksichtigen sind und welche auch beim Vergleich von zu testender Konfiguration und Basiskonfiguration durch die Fahrstile und Umgebungsbedingungen beeinflusst wer den.

In einerweiteren vorteilhaften Ausgestaltung der Verfahren werden zur Identifikation von Features gleitende Beeinflussungsbereiche in den Datensätzen gebildet, welche in nach folgenden Arbeitsschritten auf Korrelation zwischen Umgebungsbedingung, insbesondere Fahrstil und Umgebungsbedingung einerseits und dem Betriebsverhalten andererseits un tersucht werden sollen. Durch die Berücksichtigung von ganzen Beeinflussungsbereichen können die Korrelationen für das Betriebsverhalten genauer vorhergesagt werden.

In einer weiteren vorteilhaften Ausgestaltung der Verfahren sind die aufgezeichneten Be triebsgrößen und Umgebungsgrößen in der Weise ausgewählt, dass diese unabhängig von der jeweiligen Konfiguration der Fahrzeuggattung sind.

Durch diese vorteilhafte Ausgestaltung wird gewährleistet, dass Effekte, welche durch eine Veränderung der Konfiguration hervorgerufen werden, nicht mit solchen Effekten verwech selt werden, welche durch veränderte Betriebsbedingungen hervorgerufen werden.

Im Übrigen betrifft die Erfindung ein Computerprogramm, das Anweisungen umfasst, wel che, wenn sie von einem Computer ausgeführt werden, diesen dazu veranlassen, die Schritte eines der erfindungsgemäßen Verfahren auszuführen und ein Computer-lesbares Medium, auf welchem ein solches Computerprogramm gespeichert ist.

Die im Vorhergehenden beschriebenen Vorteile und Merkmale in Bezug auf den ersten und zweiten Aspekt der Erfindung gelten entsprechend auch für den dritten Aspekt der Erfindung und umgekehrt.

Weitere Merkmale und Vorteile ergeben sich aus der nachfolgenden Beschreibung der Ausführungsbeispiele in Bezug auf die Figuren. Es zeigen wenigstens teilweise schema tisch:

Fig. 1 eine kombinierte Darstellung eines Verfahrens und Systems zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung; Fig. 2 ein Blockdiagramm eines Verfahrens zum Trainieren eines Fahrzeugmodells zum Simulieren eines Betriebsverhaltens eines Fahrzeugs;

Fig. 3 eine Darstellung einer Verfahrensweise zur Identifikation von Kandidaten-Grö- ßen, auch Feature-Extraktion genannt;

Fig. 4 eine Darstellung der Abhängigkeiten, welche bei der Auswahl von Eingangs größen des Fahrzeugmodells beachtet werden müssen;

Fig. 5 ein Blockdiagramm zur Funktion eines Fahrzeugmodells; und

Fig. 6 ein Mehrfachdiagramm mit verschiedenen Größen in Bezug auf eine zu tes tende Konfiguration und eine Basiskonfiguration.

Um die Auswirkungen von Konfigurationsänderungen bei Fahrzeugen zu untersuchen, ist es notwendig, verschiedene Fahrstile und Umgebungsbedingungen während dem Aus führen von Testbetrieben, insbesondere Testfahrten, zu berücksichtigen. Insbesondere bei RDE-Testbetrieben stellt dies jedoch eine große Herausforderung dar, da ein Anstieg der Anzahl an Störvariablen, die nicht oder wenigstens nicht vollständig kontrollierbar sind, wie beispielsweise Umgebungsfeuchtigkeit, Temperatur, Verkehr, Schalt- und Beschleu nigungsverhalten etc., zu einem Anstieg der Menge an der Anzahl benötigter Messdaten führt, um die möglichen Einflüsse der Störvariablen in den Messdaten zu erfassen. Diese Datenmenge wächst exponentiell an, je mehr Störvariablen, d. h. Dimensionen eines Be triebsraums, vorliegen. Die Erzeugung einer solchen Menge an Testdaten wird jedoch durch den Zeitaufwand begrenzt, der für die Durchführung von Testfahrten benötigt wird.

Um die Auswirkungen der Veränderung von Konfigurationen, z. B. Fahrzeuge mit ver schiedenen Varianten eines Katalysators, auf das Betriebsverhalten eines Fahrzeugs, ins besondere die Emissionen, zu untersuchen, wird das Verfahren zur Analyse nach Fig. 1 eingesetzt. Fig. 1 zeigt eine kombinierte Darstellung des Verfahrens 100 zum Analysieren einer Kon figuration einer Fahrzeuggattung und eines Systems 10, welches zur Ausführung eines solchen Verfahrens eingerichtet ist.

Dieses Verfahren 100 nutzt die Methodik des maschinellen Lernens, um einen Rück schluss (Inferenz) auf ein Betriebsverhalten einer Konfiguration eines Fahrzeugs bei be stimmten Betriebsbedingungen zu ermöglichen, bei welchen eine andere Konfiguration des Fahrzeugs getestet wurde.

Das Verfahren 100 beruht auf einem Fahrzeugmodell 0 _ase für eine Basiskonfiguration 2 oder vorhandene Konfiguration der Fahrzeuggattung. Dieses Fahrzeugmodell 0 _base wird bestimmt, indem Modellparameter in der Weise angepasst werden, dass Zusammen hänge zwischen verschiedenen gemessenen Betriebsgrößen und Umgebungsgrößen durch das Fahrzeugmodell 0 _base zutreffend wiedergegeben werden. Hierfür wird eine An zahl an Testfahrten durchgeführt und das Fahrzeugmodell 0 _base wird mittels eines maschi nellen Lernalgorithmus, insbesondere einem Random Forest-Algorithmus oder einem künstlichen neuronalen Netz, gebildet. Diese Modellbildung wird im Detail in Bezug auf Fig. 2 beschrieben. Vorzugsweise werden jene Größen, welche bei der Modellbildung be rücksichtigt werden, mittels einer Feature Selection-Methode bestimmt. Kandidaten-Grö- ßen werden aus den Rohdaten von Messungen extrahiert (Feature-Extraktion). Dies wird in Bezug auf Fig. 3 im Detail beschrieben. Dabei werden vorzugsweise weitere Randbe dingungen, wie z.B. die Abhängigkeit der Größen, welche als Eingangsgrößen in das Fahr zeugmodell 0 _base eingehen sollen, von den Konfigurationen selbst, berücksichtigt.

Nachdem das Fahrzeugmodell 0 _base der Basiskonfiguration 2 bestimmt ist, kann dieses zum Analysieren von weiteren Konfigurationen 1 der Fahrzeuggattung eingesetzt werden. Das Fahrzeugmodell 0 _base dient dabei insbesondere dazu, um die weiteren Konfiguratio nen 1 mit der Basiskonfiguration 2 vergleichbar zu machen. Denn die T estergebnisse X _var dieser weiteren Konfigurationen 1 können zwar direkt beobachtet werden, ein aussage kräftiger Vergleich zwischen diesen Testergebnissen X _var und den Testergebnissen X _base der Basiskonfiguration 2 ist jedoch nicht unmittelbar möglich. Dies liegt daran, dass die Testfahrten nicht exakt wiederholt werden können, insbesondere im Bereich der Tests, bei denen Antriebe Umwelteinflüssen ausgesetzt sind, die schwer oder unmöglich kontrolliert werden können. Das Verfahren 100 löst dieses Problem, indem mittels des Fahrzeugmodell O _ase Tester gebnisse ( y _base ) von einer Testfahrt oder Testfahrten, welche mit der weiteren Konfigura tion 1 abgefahren wurden, so simuliert bzw. geschätzt werden, als ob diese Testfahrten mit der Basiskonfiguration 2 ausgeführt worden wären.

Dies ermöglicht es, Testergebnisse der Basiskonfiguration mit Testergebnissen der wei teren Konfiguration Wert für Wert zu vergleichen und auch einer statistischen Analyse zu unterziehen.

Auf diese Weise kann ein tatsächlicher Effekt der Konfigurationsänderung auf das Be triebsverhalten der Fahrzeuggattung abgeschätzt werden.

Das Bilden eines Fahrzeugmodells 0 _base wird nachfolgend in Bezug auf das Verfahren 200 zum Trainieren des Fahrzeugmodells 0 _base anhand von Fig. 2 erläutert.

Zunächst werden mehrere RDE-Testbetriebe mit einer einzigen Konfiguration der Fahr zeuggattung durchgeführt. Hierfür kommt insbesondere eine Basiskonfiguration 2 der Fahrzeuggattung zum Einsatz. Die verschiedenen RDE-Testbetriebe werden hierbei mit jeweils unterschiedlichen Testumgebungen und gegebenenfalls auch unterschiedlichen Fahrzeugen derselben Basiskonfiguration 2 durchgeführt 201.

Die Testergebnisse werden als Datensatz X _base aufgezeichnet 202. Der Datensatz X _base enthält hierbei vorzugsweise gemessene Betriebsgrößen der Basiskonfiguration 2 und Umgebungsgrößen. Betriebsgrößen sind beispielsweise eine Kohlenmonoxidemission, eine Kohlendioxidemission, eine Stickstoffemission, eine Partikelemission, eine Beschleu nigung, eine Motordrehzahl, ein Motordrehmoment, eine Drosselklappenstellung, eine Ge schwindigkeit, eine kumulierte zurückgelegte Strecke, Lambda, Kühlmitteltemperatur, Ge samtabgasdruck, Abgastemperatur und Katalysatortemperatur. Umgebungsgrößen sind beispielsweise Straßensteigung, Höhe über Null-Niveau, absolute Feuchtigkeit, Umge bungsdruck, Umgebungstemperatur.

Die Betriebsgrößen und Umgebungsgrößen werden als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer aufgezeichnet. Ein Teil y _base des Datensatzes charakterisiert mithin das Betriebsverhalten des wenigstens einen Fahrzeugs in den unterschiedlichen Testumgebungen, in welchen die Testfahrten durchgeführt wur den. Das Betriebsverhalten wird hierbei insbesondere durch die Betriebsgrößen angege ben.

In einem weiteren Arbeitsschritt 203 wird ein Datensatz X' _base aus dem Datensatz X _base ausgewählt, für welchen eine Korrelation von Betriebsbedingungen, insbesondere Fahrstil und Umgebungsbedingungen, einerseits und dem Betriebsverhalten andererseits, feststellbar ist. Vorzugsweise kommen hierbei statistische Methoden zum Einsatz.

Das Auswählen ist vorzugsweise ein Teil der Datenvorverarbeitung zum Trainieren des Fahrzeugmodells 0 _base .

Weiter vorzugsweise kommt beim Auswählen 203 wenigstens eine der folgenden Metho den zur Anwendung: Auswählen unabhängiger Kanäle; Feature-Extraktion, Feature-Sel- ection. Vorzugsweise ist der Ablauf dabei wie folgt: die unabhängigen Kanäle werden aus gewählt, auf der Grundlage dieser Kanäle wird eine Feature-Extraktion durchgeführt. Diese extrahierten Features sind Kandidaten für das Trainieren des Fahrzeugmodells 0 _base , auf der Grundlage die Features-Selection durchgeführt wird. Details der Methoden werden wie folgt erläutert:

Bei der Auswahl der unabhängigen Kanäle, d.h. der Größen, welche von einer Verände rung einer Konfiguration unabhängig sind, wird vorzugsweise untersucht, ob geplante Konfigurationsänderungen einen Einfluss auf den Wert der Größen haben. Weiter vor zugsweise erfolgt die Auswahl der unabhängigen Größen auf Basis von Expertenwissen. Hierdurch wird gewährleistet, dass Effekte, welche durch eine Veränderung der Konfigu ration hervorgerufen werden, nicht mit solchen Effekten verwechselt werden, welche durch veränderte Betriebsbedingungen hervorgerufen werden. Je nachdem, welche Verände rungen an einer Basiskonfiguration vorgenommen werden, sind die unabhängigen Größen im Allgemeinen unterschiedlich. Während sich der Datensatz X' _base (wie oben beschrie ben) zum einen dadurch auszeichnet, dass eine Korrelation (also eine mögliche gegen seitige Abhängigkeit) zwischen Fahrstil und Umgebungsbedingungen einerseits und dem Betriebsverhalten andererseits feststellbar ist; zeichnet er sich zum anderen dadurch aus, dass der Datensatz X' _base selbst nicht von der zu untersuchenden Konfigurationsveränderung abhängig ist. Nur jene Größen, welche von einer Konfigurati onsänderung unabhängig sind, können später als Eingangsgrößen für das Fahrzeugmo dell dienen. Denn ansonsten hätte die Konfigurationsveränderungen nicht nur einen Ein fluss auf das Betriebsverhalten, sondern auch auf die Betriebsbedingungen. In diesem Fall könnte jedoch keine eindeutige Aussage anhand des Fahrzeugmodells 0 _base getroffen werden, wie sich eine Basiskonfiguration 2 bei anderen Betriebsbedingungen verhalten hätte.

Entsprechende Abhängigkeiten sind in Fig. 3 dargestellt. Eine Abhängigkeit zwischen den Konfigurationen und den Eingangsgrößen des Fahrzeugmodells beim Simulieren des Be triebsverhaltens einer Basiskonfiguration darf nicht gegeben sein. Würden diese Ein gangsgrößen auch von einer Konfigurationsänderung beeinflusst, d.h. wäre die Abhängig keit in Fig. 3 nicht durchgestrichen, würde sich die Wirkung der Konfigurationsänderung indirekt über die Eingangsgrößen bereits im Modell der Basiskonfiguration beim Simulie ren eingehen. Dies ist jedoch zu vermeiden, da das Fahrzeugmodell 0 _base das Testergeb nis so darstellen sollte, wie es ohne Konfigurationsänderung wäre.

Eine Feature-Extraktion wird nachfolgend in Bezug auf Fig. 4 beschrieben. Vorzugsweise wird diese Feature-Extraktion nur in Bezug auf von einer Konfigurationsänderung unab hängige Größen vorgenommen. In diesem Fall wird die Feature-Extraktion nur in Bezug auf diese Größen durchgeführt.

Grundsätzlich kann die Feature-Extraktion aber auch in Bezug auf den gesamten Daten satz X _base bzw. alle Größen durchgeführt werden.

Aus den untersuchten Größen, insbesondere den von Konfigurationsänderungen unab hängigen Größen, werden sogenannte Features extrahiert, d.h. Datenbereiche, bei wel chen eine Korrelation von Betriebsbedingungen einerseits und dem Betriebsverhalten an dererseits erwartbar ist. Die Betriebsbedingungen werden hierbei vorzugsweise durch den Fahrstil und die Umgebungsbedingungen während einer Testfahrt bestimmt. Sowohl die Betriebsbedingungen als auch das Betriebsverhalten werden jeweils durch ein oder meh rere Größen, d.h. Betriebsgrößen und/oder Umgebungsgrößen, charakterisiert. Wie in Fig. 4 in Bezug auf eine Größe x und eine Betriebsgröße y eines Datensatzes X dargestellt ist, werden zum Auffinden von Korrelationen zwischen der Größe x und der Betriebsgröße y gleitende Beeinflussungsbereiche w betrachtet, mit welchen vorzugs weise der potentielle Einfluss einer ganzen Abfolge von Werten der Größe x auf einen Wert der Betriebsgröße y deklariert wird.

Vorzugsweise werden für jeden Beeinflussungsbereich w eine oder mehrere Aggregats funktionen s angewendet bzw. gebildet, um skalare Features zu extrahieren, die einem Wert der Betriebsgröße y, welche eine Abhängigkeit von der Größe x aufweisen soll, zu geordnet sind. Vorzugsweise wird bei der Extraktion mehr als eine Größe x berücksichtigt. In Abhängigkeit der Anzahl der Größen x und deren Eigenschaften werden vorzugsweise nicht nur einzelne Beeinflussungsbereiche w berücksichtigt, sondern ein ganzer Satz von Beeinflussungsbereichen W. Ein Aggregatsfunktion kann beispielsweise ein Minimalwert, Maximalwert, Mittelwert, etc. in dem betrachteten Datenbereich sein.

Die Feature-Extraktion ermöglicht es, Informationen übereinen bestimmten Zeitraum oder eine bestimmte zurückgelegte Strecke bei der Schätzung zu nutzen. Zudem ergeben sich durch das Zusammenfassen von Zeiträumen in Beeinflussungsbereichen weniger Fea tures als es der Fall wäre, wenn jeder einzelne Wert der Größe x, einzeln betrachtet würde. Hierdurch wird die Zahl der zu betrachtenden Größen x und damit die Dimensionalität, d.h. die Anzahl an Dimensionen, bei der Analyse verringert.

Für die Aggregatsfunktionen S kann vorzugsweise eine Anwendung mit dem Namen tsfresh ^® verwendet werden. Diese ermöglicht eine Extraktion von Merkmalen auf der Grundlage von Standard-Aggregatsfunktionen, wie beispielsweise Statistiken über eine Verteilung, enthaltene Frequenzen oder die Anzahl von bestimmten Ereignissen.

Die Anzahl der extrahierten Features kann groß sein, da sie proportional zur Anzahl der Aggregatsfunktionen S und der Anzahl der Beeinflussungsbereiche W ist.

Daher ist es von Vorteil, die wichtigsten Merkmale zu identifizieren und auszuwählen. Auf diese Weise kann eine Geschwindigkeit des Trainings des Fahrzeugmodells 0 _base bei der Modellbildung erhöht werden und die Dimensionaltiät des durch die betrachteten Größen aufgespannten Betriebsraums wird reduziert. In der Feature-Selection wird vorzugsweise eine Wichtigkeit von Features bestimmt, d.h. deren Einfluss auf die Ausgangsgröße. Die Wichtigkeit eines extrahierten Features wird vorzugsweise durch ein Überprüfen der Hypothese bestimmt, dass dieses Feature mit ei ner Betriebsgröße y korreliert ist. Beispielhaft kann hierbei als Korrelationsstatistik die so genannte Pearson-Korrelation eingesetzt werden, die ein Maß für eine lineare Beziehung zwischen zwei Größen ist und über einen parametrischen T est bestimmt wird. Eine weitere Korrelationsstatistik ist das Kendall’s Tau. Auch dieses kann vorzugsweise zum Einsatz kommen. Ein weiteres Verfahren, welches hierbei zum Einsatz kommen kann, ist die Ben- jamini-Hochberg-Methode. Details zu den Korrelationsdefinitionen und zum Anwenden der Korrelationen können beispielsweis dem Lehrbuch Wilcox, Rand R., „ Äpplying Contem porary Statistical techniques“, Elsevier, 2003 und den Veröffentlichungen i.-K. L. Law rence, „A Concordance Correlation Coefficient to Evaluate Reproducibility,“ Biomet- rics, vol. 45, no. 1 , pp. 255-268, 1989, G. Kendail, „The treatment of fies in ranking Problems”, Biometrika, voi. 33, no. 3, pp. 239-251 , 1945, und/oder Y. Benjamini and D. Yekutieli, „The Control of the False Discoveiy Rate in Multiple Testing under De- pendencf, The Annais of Statistics, vol. 29, no. 4, pp. 1165-1188, 2001 entnommen werden.

Auf der Grundlage dieses Auswählens 203 wichtiger Merkmale wird das Fahrzeugmodell 0 _base ⁱⁿ einer Trainingsphase trainiert 204, indem die ausgewählten Datenbereiche X' _base in eine Ausgleichsrechnung eingelesen werden. Vorzugsweise gehen nur wichtige Merk male, d.h. wichtige Features, als Eingangsgrößen in das Fahrzeugmodell 6 _base beim Trai nieren ein. Diese werden aus der Vorverarbeitungsphase (Arbeitsschritt 203) in die Trai ningsphase übergeben.

Beispiele für Algorithmen, welche im Rahmen einer solchen Ausgleichsrechnung verwen det werden können, sind eine lineare Regression, eine logistische Regression, Random Forest-Algorithmen bzw. Regressionen, Ensemble-Methoden, Support-Vektor-Machines, Algorithmen, die auf (tiefen, rekurrenten oder faltungsbasierten) künstlichen neuronalen Netzen basieren, insbesondere Long Term Memory-Algorithmen, etc.

Vorzugsweise macht eine Benutzung von sogenannten tiefen Algorithmen, wie beispiels weise tiefen künstlichen neuronalen Netzen, eine Extraktion von Merkmalen überflüssig. Wird eine Simulation mittels eines auf diese Weise trainierten Fahrzeugmodells 6 _base durchgeführt und werden dieser Simulation Eingangsgrößen aus einem Datensatz X _base oder eine bearbeiteten Datensatzes X' _var der Testfahrten mit der Basiskonfiguration 2 be reitgestellt, so reproduziert das Fahrzeugmodell 0 _base jenen Teil y _base des Datensatzes

X _base näherungsweise als Simulationsergbnis y _base , welcher das Betriebsverhalten der Konfiguration 2 in den zum Trainieren verwendeten Testumgebung charakterisiert. Dies ist in Fig. 5 dargestellt.

Wrd hingegen eine Simulation durchgeführt, bei welcher die Eingangsgrößen des Fahr zeugmodells 0 _base ein Datensatz X _var oder des bearbeiteten Datensatzes X' _var einer Test fahrt einer zu testenden Konfiguration 1 ist, so gibt das Fahrzeugmodell 0 _base das Betriebs verhalten der zum Trainieren des Fahrzeugmodells 0 _base eingesetzten Basiskonfiguration 2 bei jenen Betriebsbedingungen aus, welche bei der Testfahrt der zu testenden Konfigu ration 1 geherrscht haben.

Der Einsatz eines solchen Fahrzeugmodells 0 _base in einem Verfahren 100 zum Analysie ren und/oder Optimieren einer Konfiguration einer Fahrzeugflotte wird nachfolgend im De tail in Bezug auf Fig. 1 beschrieben.

Um eine Datenbasis zum Analysieren einer Konfiguration einer Fahrzeuggattung zu schaf fen, wird/werden zunächst eine Testfahrt oder auch mehrere Testfahrten mit einem Fahr zeug der veränderten Konfiguration 1 der Fahrzeuggattung durchgeführt. Dass es sich bei dem dargestellten Fahrzeug um die veränderte Konfiguration handelt, wird in Fig. 1 durch das Wechselsymbol mit zwei Rechtecken und zwei Pfeilen dargestellt.

Während dieser Testfahrt bzw. Testfahrten werden mittels Sensoren 11 Betriebsgrößen der zu testenden Konfiguration 1 und gegebenenfalls auch Umgebungsgrößen gemessen, insofern die Umgebungsgrößen nicht anderweitig bereitgestellt werden.

Der sich aus diesen Messungen ergebende Datensatz X _var wird mittels eines Verfahrens 100 analysiert. Hierfür wird der erste Datensatz X _var mit den gemessenen Betriebsgrößen der zu testen den Konfiguration 1 und den gemessenen oder bereitgestellten Umgebungsgrößen in ei nem Datenspeicher von Datenverarbeitungsmitteln 12 aufgezeichnet 101. Vorzugsweise werden die gemessenen Betriebsgrößen und die Umgebungsgrößen dabei als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer der Testfahrt oder Testfahrten mit der zu testenden Konfiguration 1 abgespeichert.

Ein Teil y _var dieses ersten Datensatzes X _var , insbesondere ein Teil der Größen, charak terisiert vorzugsweise ein Betriebsverhalten der zu testenden Konfiguration 1. Ein weiterer Teil des ersten Datensatzes X _var charakterisiert vorzugsweise die Betriebsbedingungen, welche während der oder den T estfahrt(en) mit der zu testenden Konfiguration 1 Vorlagen.

Vorzugsweise wird in einem Arbeitsschritt 102 eine Datenvorverarbeitung durchgeführt, welche einer Feature Extraktion entspricht. Hierbei werden vorzugsweise die gleiche Ag gregatsfunktionen über den gleichen Datenbereiche angewandt bzw. gebildet, wie beim Erzeugen bzw. Trainieren des Fahrzeugmodells 0 _base . Der gleiche Datenbereich ist hierbei vorzugsweise jeweils jener Datenbereich, welcher einem Zeitabschnitt der vergangenen Zeitdauer oder einem Streckenabschnitt der zurückgelegten Strecke entspricht, in wel chem beim Erzeugen bzw. Trainieren des Fahrzeugmodells 6 _base ein bestimmtes Feature extrahiert wurde. Weiter vorzugsweise wird diese Datenvorverarbeitung lediglich für jene extrahierten Features durchgeführt, welche in der Feature Selection beim Erzeugen bzw. Trainieren des Fahrzeugmodells 6 _base ausgewählt wurden. Hierdurch kann Rechenzeit eingespart werden. Aus der Datenvorverarbeitung geht ein bearbeiteter erster Datensatz X' _var hervor.

Ausgehend von dem aufgezeichneten ersten Datensatzes X _var oder dem bearbeiteten ersten Datensatz X' _var wird in einem Simulationsmittel das Betriebsverhalten der Ba siskonfiguration 2 eines Fahrzeugs der Fahrzeuggattung simuliert 103. Vorzugsweise wird das Simulieren hierbei ausschließlich für jene Datenbereiche des aufgezeichneten ersten Datensatzes X _var oder dem bearbeiteten ersten Datensatz X' _var durchgeführt, in welchen beim Erzeugen bzw. Trainieren des Fahrzeugmodells 6 _base Features extrahiert wurden. Weiter vorzugsweise wird das Simulieren hierbei ausschließlich für jene Features durch geführt, welche beim Erzeugen bzw. Trainieren des Fahrzeugmodells 6 _base ausgewählt wurden. Auch hierdurch kann Rechenzeit eingespart werden. Hierfür gehen ein oder mehrere Größen des ersten Datensatzes X _var beim Simulieren als Eingangsgrößen des Fahrzeugmodells 6 _base bzw. als Eingangsgrößen in dieses Fahr zeugmodell 6 _base ein.

Die Eingangsgrößen des Fahrzeugmodells 6 _base sind hierbei in der Weise ausgewählt, dass diese nur eine geringe Abhängigkeit oder vorzugsweise gar keine Abhängigkeit von den Konfigurationsänderungen, welche zwischen der zu testenden Konfiguration und der Basiskonfiguration bestehen, aufweisen. Das Modell 6 _base verwendet die Information des Datensatzes X _var aus den realen Testfahrten nämlich als eigenständige Features bzw. Betriebsbedingungen.

Das Fahrzeugmodell 0 _base erzeugt einen zweiten Datensatz y _base wenigstens einer Be triebsgröße der Basiskonfiguration 2. Wie in Fig. 1 dargestellt, geht über das Fahrzeug modell 6 _base die Konfiguration 2 der Fahrzeuggattung beim Simulieren 103 ein.

Hierdurch kann ein virtuelles Betriebsverhalten der Basiskonfiguration 2 in dem zweiten Datensatz y _base bei den Betriebsbedingungen, welche während der oder den Testfahrten mit der zu testenden Konfiguration 1 Vorlagen, abgebildet werden. Vorzugsweise absol viert die Basiskonfiguration 2 dabei dieselbe Testfahrt oder dieselben Testfahrten wie die zu testende Konfiguration 1, mit welcher/welchen der erste Datensatzes X _var erzeugt wurde.

Ein einzelnes Fahrzeugmodell 6 _base bildet vorzugsweise nur eine Betriebsgröße in Bezug auf das Betriebsverhalten ab, beispielsweise eine C02-Emission oder eine Stickoxid- Emission. Diese Betriebsgröße ist vorzugswiese eine abhängige Variable im Sinne ma schinellen Lernens. Es können aber auch mehrere Modelle trainiert werden; beispiels weise jeweils ein Modell pro gewünschter Emission, welche in Bezug auf das Betriebsver halten analysiert werden soll.

Mittels Vergleichsmitteln 14 kann nunmehr das Betriebsverhalten der zu testenden Konfi guration 1 mit dem Betriebsverhalten der Basiskonfiguration 2 verglichen werden 104. Vorzugsweise werden hierbei Werte oder Wertverläufe einer oder mehrerer Größen ver glichen, welche sowohl in dem Teil y _var des ersten Datensatzes X _var und in dem zweiten Datensatz y _base enthalten sind. In Fig. 1 wird dies durch die beiden Kurven eines Diagramms dargestellt. Die eine Kurve zeigt den Verlauf einer Größe y _base , die einem Fahrzeug der Basiskonfiguration 2‘ bei ver änderten Betriebsbedingungen zugeordnet ist. Das Fahrzeug an sich ist entsprechend ebenfalls mit einem Dach versehen. Verglichen wird dieser Verlauf y _base mit einem Verlauf y _var einer Größe y _var , welche im Rahmen der Testfahrt der zu testenden Konfiguration 1 gemessen wurde.

Vorzugsweise kann mittels Mitteln 15 zum Ermitteln einer Kenngröße auf der Grundlage dieses Vergleichens eine Kenngröße ermittelt werden 105 und über eine Schnittstelle 16, insbesondere eine Datenschnittstelle oder Benutzerschnittstelle, ausgegeben werden 106.

Weiter vorzugsweise kann die Fahrzeuggattung auf der Grundlage dieser Kenngröße op timiert werden 107. Dies ist in Fig. 2 durch einen Pfeil dargestellt, welcher die Information angibt, welche aus dem Vergleichen in eine Konfigurationsveränderung einer wiederum zu testenden Konfiguration 1 einfließt.

Nachfolgend wird ein Anwendungsbeispiel erläutert:

Ein turboaufgeladenes Benzinfahrzeug mit Direkteinspritzung der Abgasnorm Euro 6b soll unter RDE-Bedingungen mit verschiedenen Abgasbehandlungssystemen einschließlich modernem Drei-Wege-KatalysatorTWC und katalysierter Benzinpartikelfilter cGPF getes tet werden. Auf der Grundlage dieses Tests sollen die Auswirkungen verschiedener Kon figurationen auf die Emission analysiert und bewertet werden.

Die Datensätze X _base , X _var für die Bewertung werden mit dem gleichen Fahrzeug mit zwei unterschiedlichen Abgasnachbehandlungssystemen erhoben. Die Basiskonfiguration ist ein neuer Drei-Wege-Katalysator Fresh TWC ohne Benzinpartikelfilter cGPF. Die zu tes tende Konfiguration ist eine sogenannte End-of-Life-Konfiguration EoL, das heißt am Ende der Nutzungsdauer, mit Drei-Wege-Katalysator TWC und mit katalysiertem Benzinparti kelfilter cGPF. Die T estfahrten werden jeweils mit verschiedenen Fahrern durchgeführt und jeweils Mess daten über einen langen Zeitraum von etwa drei Monaten generiert. Es kommen vier ver schiedene Teststrecken zum Einsatz.

Zur Modellbildung werden zunächst von der Konfigurationsänderung von einem turboauf geladenen Benzinfahrzeug mit Drei-Wege-Katalysator Fresh TWC zu einem turboaufge ladenen Benzinfahrzeug End-of-Life mit Drei-Wege-Katalysator TWC und katalysiertem Benzinpartikelfilter cGPF unabhängige Größen identifiziert.

Um Merkmale aus der Gesamtheit an unabhängigen Größen zu extrahieren, wurden im beschriebenen Anwendungsfall die folgenden Werte berücksichtigt:

Aggregationsfunktion S = {maximal, mittel, median, minimal, Standardabweichung, Vari anz, Summe, Länge}

Beeinflussungsbereiche W = {3 Sekunden, 7 Sekunden, 20 Sekunden, 60 Sekunden} Fenster-Offsets = {gleich Null}

Abtastversatz = 1 Sekunde

Diese Parameter führen zu einer Gesamtzahl von |£| |W| |Offset| |Anzahl Größen| = 640 Features pro Probe.

Eine Anwendung der Benjamin-Hochberg-Methode zur Auswahl der wichtigen Features ergibt 520 Features für Kohlenstoffmonoxid, 531 Features für Kohlenstoffdioxid, 554 Fea tures für Stickstoffoxid und 555 Features für die Partikelanzahl. Da vier verschiedene Test strecken verwendet wurden, führt dies zu vier weiteren Features, einem Feature pro Test strecke.

Aufgrund der Abtastrate stehen 214.448 Proben für die Basiskonfiguration Fresh TWC zur Verfügung. Für die zu testende Konfiguration EoL cGPF stehen 76.567 Proben zur Verfü gung. Testfahrten werden ganz oder teilweise nicht berücksichtigt, wenn Werte verschoben wa ren oder fehlen.

Für die Bildung des Fahrzeugmodells 0 _base wird im vorliegenden Beispiel für jede Emission basierend auf den Messdaten aus den Testfahrten eine Random Forrest-Regression an gewendet. Random Forrest-Algorithmen können eine große Anzahl von Features in Bezug auf eine kleine Anzahl von Proben bewältigen und sind robust.

Nach dem Erstellen des Fahrzeugmodells werden diese für einen Schlussfolgerungs-ba- sierten Konfigurationsvergleich verwendet.

Der Schlussfolgerungs-basierte Konfigurationsvergleich ermöglicht den Vergleich von Emissionen zwischen einer Basiskonfiguration und einer zu testenden Konfiguration unter Berücksichtigung der Umgebungsbedingungen, auch wenn nur eine Fahrt mit der zu tes tenden Konfiguration durchgeführt wird. Dies ist ein großer Vorteil gegenüber Ansätzen, die versuchen, Umgebungsbedingungen durch eine ausreichende Anzahl von RDE- Testfahrten zu eliminieren.

Das Diagramm in Fig. 6 zeigt simulierte Effekte der zu testenden Konfiguration EoL cGPF im Vergleich zur Basiskonfiguration Fresh TWC.

Es ergibt sich eine Erhöhung der Emission des Kohlenstoffmonoxids CO für die zu tes tende Konfiguration. Dies ist darauf zurückzuführen, dass ein gealterter Katalysator eine geringere Sauerstoffkapazität hat.

Darüber hinaus gibt es kaum eine bis keine Veränderung der Kohlenstoffdioxid-Emission C0 ₂ für die zu testende Konfiguration. Der leichte Anstieg des Kohlenstoffdioxids CO2 mit der zu testenden Konfiguration cGPF ist wahrscheinlich auf einen höheren Gegendruck im Abgasstrang zurückzuführen.

Die Stickstoffoxid-Emissionen NO _x weisen bei der zu testenden Konfiguration cGPF eine Reduktion auf. Hinsichtlich der Partikel PN Emission zeigt sich bei der zu testenden Kon figuration cGPF aufgrund des Vorhandenseins des Partikelfilters eine signifikante Reduk tion der Partikelanzahl PN, was zu erwarten war. Wie aus Fig. 6 ersichtlich ist, ist es ein wesentlicher Vorteil, dass die Testfahrten der Ba siskonfiguration durch die Anwendung des Fahrzeugmodells 0 _base auf die gleiche Zeitba sis bzw. Streckenbasis wie die Testfahrt der zu testenden Konfiguration transformiert wird. Dadurch ist ein direkter Wertevorteil möglich.

Es wird darauf hingewiesen, dass es sich bei den beschriebenen Ausführungsbeispielen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendung und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausge hende Beschreibung ein Leitfaden für die Umsetzung mindestens eines Ausführungsbei spiels gegeben, wobei diverse Änderungen, insbesondere im Hinblick auf die Funktion und Anordnung, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt. Insbesondere können einzelne Ausführungsbeispiele miteinander kombiniert werden.

Bezugszeichenliste

1 Zu testende Konfiguration

2 Basiskonfiguration base Fahrzeugmodell

X Datensatz x, y Größen

^L y base Datensatz einer Basiskonfiguration

^L y' öase Ausgewählter Datenbereich aus Basiskonfiguration

Ybase Ybase Datensatz einer Betriebsgröße der Basiskonfiguration Datensatz einer zu testenden Konfiguration

Yvar Datensatz wenigstens einer Betriebsgröße der zu testende Konfiguration

W Beeinflussungszeitraum

W Menge der betrachteten Beeinflussungszeiträume t Zeit s Aggregatsfunktion

S Menge der betrachteten Aggregatsfunktionen

CO Kohlenstoffmonoxid

C0 ₂ Kohlenstoffdioxid

NOx Stickstoffoxid

PN Partikelanzahl