BERECHNUNG VON ABGASEMSSIONEN EINES KRAFTFAHRZEUGS

Technisches Gebiet

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Ermitteln von Emissionen, ein Computerprogramm, und ein maschinenlesbares Speichermedium.

Stand der Technik

Aus der DE 10 2009 028 374 AI ist ein Verfahren für eine Diagnose einer Brenn kraftmaschine bekannt, welches dadurch beschränkt ist, dass nur bestimmte Lastzustände der Brennkraftmaschine auf einem Prüfstand angefahren werden können. Weiterhin ist aus dieser Schrift bekannt, dass ein Anfahren bestimmter Betriebspunkte nur durch Testfahrten zu erreichen ist, was zu langen Diagnosezeiten führt.

Vorteil der Erfindung

Das Verfahren mit den Merkmalen des unabhängigen Anspruchs 1 hat demgegenüber den Vorteil, dass besonders schnell und einfach Emissionen eines mittels einer Brennkraftmaschine angetriebenen Kraftfahrzeugs in einem praktischen Fahrbetrieb ermittelt werden können. Vorteilhafte Weiterbildungen sind Gegenstand der unabhängigen Ansprüche.

Offenbarung der Erfindung

In einigen Ländern sieht die Gesetzgebung vor, die Zulassung neuer Kraftfahrzeuge, die mittels einer Brennkraftmaschine angetrieben werden, abhängig von den Emissionen zu machen, die sich im praktischen Fahrbetrieb ergeben. Hierfür ist auch die englische Bezeichnung real driving emissions gebräuchlich. Solche Kraftfahrzeuge umfassen beispielsweise solche, die ausschließlich von einem Verbrennungsmotor angetrieben werden, aber auch solche mit einem hybridisierten Antriebsstrang.

Hierzu ist vorgesehen, dass ein Prüfer mit dem Kraftfahrzeug einen Fahrzyklus oder mehrere Fahrzyklen bestreitet und die dabei entstehenden Emissionen gemessen werden. Die Zulassung des Kraftfahrzeugs ist dann abhängig von diesen gemessenen Emissionen. Der Fahrzyklus kann hierbei innerhalb weiter Grenzen vom Prüfer frei gewählt werden. Eine typische Dauer eines Fahrzyklus kann hierbei beispielsweise 90-120min betragen.

Für Hersteller von Kraftfahrzeugen stellt sich damit in der Entwicklung von Kraftfahrzeugen die Herausforderung, bereits frühzeitig im Entwicklungsprozess eines neuen Kraftfahrzeugs absehen zu müssen, ob die Emissionen dieses Kraftfahrzeugs in jedem zulässigen Fahrzyklus innerhalb der gesetzlich vorgeschriebenen Grenzen bleibt, oder nicht.

Es ist daher wesentlich, eine Vorrichtung zu schaffen, die bereits im Entwicklungsstadium eines Kraftfahrzeugs die voraussichtlichen Emissionen des Kraftfahrzeugs sicher vorhersagen kann, um im Falle eines voraussichtlichen Überschreitens von Grenzwerten Änderungen am Kraftfahrzeug durchführen zu können. Eine derartige Abschätzung allein auf Basis von Messungen auf einem Prüfstand bzw. in einem fahrenden Kraftfahrzeug ist wegen der großen Vielfalt denkbarer Fahrzyklen überaus aufwändig.

In einem ersten Aspekt betrifft die Erfindung daher ein Verfahren zum Ermitteln von Emissionen eines mittels einer Brennkraftmaschine angetriebenen Kraftfahrzeugs in einem praktischen Fahrbetrieb, wobei ein maschinelles Lernsystem mittels gemessener zeitlicher Verläufe (x) von Betriebsgrößen der Brennkraftmaschine und/oder des Kraftfahrzeugs darauf trainiert wird, zeitliche Verläufe (χ') von Betriebsgrößen der Brennkraftmaschine und/oder des Kraftfahrzeugs zu generieren, und dann die Emissionen abhängig von diesen generierten zeitlichen Verläufen (χ') zu ermitteln.

D.h. es ist möglich, nur tatsächliche zeitliche Verläufe der Betriebsgrößen zu messen, die jeweils eigene Charakteristika aufweisen und dann realistische zeitliche Verläufe von dem maschinellen Lernsystem generieren zu lassen, die eine Vielzahl dieser Charakteristika aufweisen.

Die Betriebsgrößen können vorzugsweise eine, einige oder alle der Größen umfassen, die folgenden Größe charakterisieren:

eine Fahrpedalstellung des Kraftfahrzeugs

eine Bremspedalstellung des Kraftfahrzeugs

eine Stellung einer Kupplung eines Getriebes des Kraftfahrzeugs

ein Gang des Getriebes

eine Geschwindigkeit des Kraftfahrzeugs

einen Fahrwiderstand des Kraftfahrzeugs

eine Zugkraft der Brennkraftmaschine

eine Zugkraft eines elektromotorischen Antriebs des Kraftfahrzeugs eine Drehzahl der Brennkraftmaschine

eine pro Zeiteinheit angesaugte Luftmasse der Brennkraftmaschine ein Druck in einem Saugrohr der Brennkraftmaschine

eine Menge der Hochdruck- AG R

eine Menge der Niederdruck- AG R

einen Zeitpunkt des Schließens des Einlassventils

einen Zeitpunkt des Öffnen des Auslassventils

einen maximalen Ventilhub des Einlassventils

einen maximalen Ventilhub des Auslassventils

eine Position des Systems zur Veränderung der Verdichtung der Brennkraftmaschine

eine Kraftstoffmenge von Einspritzungen der Brennkraftmaschine

ein Einspritzzeitpunkt der Einspritzungen ein Druck in einem Kraftstoff- Hochdruckspeicher, wie er auch im Deutschen beispielsweise unter dem englischen Begriff Common Rail bekannt ist, der Brennkraftmaschine

eine Kühlmitteltemperatur der Brennkraftmaschine

eine Temperatur im Ansaugsystem der Brennkraftmaschine.

Zusätzlich zu den zeitlichen Verläufen der Betriebsgrößen ist es auch möglich, abhängig von Parametern, die die Brennkraftmaschine und/oder das Kraftfahrzeug im zu absolvierenden Zyklus charakterisieren darauf trainiert wird, zeitliche Verläufe (χ') von Betriebsgrößen zu generieren.

Diese charakterisierenden Parameter können eine, einige oder alle der folgenden Größen umfassen:

eine Masse des Kraftfahrzeugs

eine Getriebeübersetzung des Kraftfahrzeugs

eine maximale Antriebsleistung eines Antriebssystems des Kraftfahrzeugs ein maximales Drehmoment des Antriebssystems

eine Art des Getriebes

eine Kraftstoffart

eine Spezifikation der Hybridisierung

eine Typenbezeichnung des Motors

eine Typenbezeichnung des Fahrzeugs

eine Charakterisierung des gefahrenen Streckenverlaufs, beispielsweise GPS Aufzeichnungen, Umgebungstemperatur, Umgebungsdruck, etc.

Die Einspritzungen können insbesondere Mehrfacheinspritzungen sein, beispielsweise eine Haupt-, Vor- und Nacheinspritzung. Bei derartigen Mehrfacheinspritzungen umfassen die des Kraftfahrzeugs und/oder der Brennkraftmaschine vorzugsweise Größen, die je Kraftstoffmenge und Einspritzzeitpunkt jeder der Teileinspritzungen charakterisieren.

Die Verwendung eines maschinellen Lernsystems ist deswegen wichtig, weil die Zahl möglicher zeitlicher Verläufe sehr groß ist. Bei einem zeitlichen Verlauf von lh Dauer und einer Abtastrate von beispielsweise 100ms ergibt sich bei 15 Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine ein 15 x 36.000 = 540.000-dimensionaler Raum, in dem mögliche zeitliche Verläufe liegen.

Es versteht sich für den Fachmann, dass nur eine relativ gesehen geringe Anzahl von Punkten in diesem sehr hochdimensionalen Raum tatsächlichen möglichen zeitlichen Verläufen der Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine entsprechen, also realistisch sind. Das Problem, diese realistischen zeitlichen Verläufe auszuwählen, wird mit dem Verfahren mit den Merkmalen des unabhängigen Anspruch 1 gelöst.

In einer Weiterbildung kann vorgesehen sein, dass das maschinelle Lernsystem einen ersten Teil - einen Kodierer - umfasst, der die gemessenen zeitlichen Verläufe (x) zunächst in erste Größen (z, qe(z|x)) transformiert, die jeweils latente Variablen (z) charakterisieren, wobei ein Raum latenter Variablen eine - gegenüber dem Raum der gemessenen zeitlichen Verläufe - reduzierte Dimensionalität aufweist,

und wobei das maschinelle Lernsystem einen zweiten Teil - einen Dekodierer - umfasst, der abhängig von latenten Variablen (z) zweite Größen (χ', ρφ(χ'|ζ)) generiert, die jeweils die generierten zeitlichen Verläufe (χ') der Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine charakterisieren.

Durch die Abbildung der tatsächlich gemessenen Trajektorien auf einen niederdi- mensionalen Raum wird das maschinelle Lernsystem darauf trainiert, die wesentlichen Merkmale, die realistische zeitliche Verläufe - also insbesondere diejenigen Verläufe, die in den Trainingsdaten der gemessenen zeitlichen Verläufe enthalten sind - zu extrahieren. Das Wesen realistischer Trajektorien ist damit also in Parametern, die den Kodierer bzw. den Dekodierer charakterisieren, kodiert.

Es ist auch möglich, dass der Kodierer die gemessenen zeitlichen Verläufe (x) nicht nur in latente Variablen (z) transformiert, sondern abhängig von den charakterisierenden Parametern auch in zusätzliche Variablen.

In einer besonders vorteilhaften Weiterbildung kann hierbei vorgesehen sein, dass die ersten Größen, die die latenten Variablen (z) charakterisieren die latenten Variablen (z) selbst sind und wobei der zweite Teil ein von dritten Parametern (γ) parametriertes Gaußprozess-Modell umfasst, und die dritten Parameter (γ) sowie die latenten Variablen (z) beim Training des maschinellen Lernsystems derart angepasst werden, dass eine marginale Wahrscheinlichkeit (p(x|z)) der Rekonstruktion der gemessenen zeitlichen Verläufe (x) unter diesen latenten Vari- ablen (z) maximiert wird.

Die Verwendung des Gaußprozess-Modells hat den Vorteil, dass eine probabilis- tische Aussage darüber möglich ist, ob eine jeweilige zweite Größe (z) einem Verlauf entspricht, der die gleichen Charakteristika aufweist wie die gemessenen Verläufe (x), oder nicht. Dadurch ist es möglich, für beliebige Testzyklen anhand der entsprechenden zugehörigen Verläufe von Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine zu beurteilen, ob diese angesichts der gemessenen Verläufe, die in die Trainingsphase eingegangen sind, relevant sind oder nicht.

In einer Weiterbildung dieses Aspekts kann vorgesehen sein, dass der erste Teil eine von vierten Parameter (v) parametrisierte Funktion wie beispielsweise ein neuronales Netz umfasst, und die Anpassung der latenten Variablen (z) beim Training durch Anpassen der vierten Parameter (v) geschieht.

Dies ist eine besonders effiziente Art, die gemessenen Verläufe (x) der Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine auf latente Variablen (z) abzubilden. In einer alternativen besonders vorteilhaften Weiterbildung kann vorgesehen sein, dass erster Teil und zweiter Teil des maschinellen Lernsystems einen Autoencoder bilden.

Ein Autoencoder bedeutet, dass die ersten Größen, die die latenten Variablen (z) charakterisieren, die latenten Variablen selbst sind, dass die zweiten Größen, die die generierten zeitlichen Verläufe charakterisieren die generierten zeitlichen Verläufe selbst sind. Der erste Teil und der zweite Teil können beispielsweise durch neuronale Netzwerke gegeben sind. Dieses Verfahren hat den Vorteil, dass das Training des maschinellen Lernsystems besonders einfach ist. Insbesondere können hierzu Parameter, die den Au- toencoder parametrieren, derart angepasst werden, dass eine Kostenfunktion, die einen Rekonstruktionsfehler umfasst, der beispielsweise eine Norm |x-x'| ² ei- ner Differenz zwischen den gemessenen zeitlichen Verläufen und den aus diesen mittels des Autoencoders generierten zeitlichen Verläufen (χ') charakterisiert, minimiert wird.

In einer weiteren alternativen besonders vorteilhaften Weiterbildung kann vorge- sehen sein, dass erster Teil und zweiter Teil des maschinellen Lernsystems einen variationeilen Autoencoder bilden. Variationelle Autoencoder sind im Deutschen unter dem englischsprachigen Begriff \l anational Autoencoder bekannt.

Dies bedeutet, dass die ersten Größen, die jeweils die latenten Variablen (z) charakterisieren jeweils eine abhängig von ersten Parametern (Θ) parametrierte erste Wahrscheinlichkeitsverteilung (q _e (z|x)) sind und die zweiten Größen, die die generierten zeitlichen Verläufe charakterisieren jeweils eine von zweiten Parametern (φ) parametrierte zweite Wahrscheinlichkeitsverteilung (ρ _φ (χ'|ζ)) sind. Das Training des maschinellen Lernsystems bedeutet dann, dass die ersten Parameter (Θ) und die zweiten Parameter (φ) derart variiert werden, dass eine Kostenfunktion minimiert wird. Die Kostenfunktion umfasst dabei vorteilhafterweise einen Rekonstruktionsfehler einer generierten Rekonstruktion der gemessenen zeitlichen Verläufe und eine Kullback-Leibler-Divergenz KL[q(z) | |J\f] zwischen den ersten Wahrscheinlichkeitsverteilungen (q _e (z|x)) und einer vorzugsweise auf Mittelwert 0 und Varianz 1 normierten Normalverteilung K .

Als erste Wahrscheinlichkeitsverteilung (q _e (z|x)) und/oder als zweite Wahrscheinlichkeitsverteilung (ρψ(χ'|ζ)) kann jeweils eine parametrierbare Verteilungsfunktion, beispielsweise eine Normalverteilung, herangezogen werden. Der erste Teil und/oder der zweite Teil können dann jeweils beispielsweise ein neuronales Netz umfassen, das abhängig von dem ihm zugeführten Eingangsgrößen Parameter ermittelt, die diese parametrierbare Verteilungsfunktion parametrieren. Die Verwendung des variationeilen Autoencoders hat den Vorteil, dass die erste Wahrscheinlichkeitsverteilung (q _e (z|x)) eine probabilistische Aussage darüber erlaubt, ob eine jeweilige zweite Größe (x) die gleichen Charakteristika aufweist wie die gemessenen Verläufe, oder nicht.

In einer noch weiteren alternativen besonders vorteilhaften Weiterbildung kann vorgesehen sein, dass die ersten Größen, die die latenten Variablen (z) charakterisieren die latenten Variablen (z) selbst sind und der erste Teil aus gemessenen zeitlichen Verläufe (x) mittels eines Verfahrens des spärlichen Wörterbuchlernens (Englisch: sparse dictionary learning) die latenten Variablen (z) ermittelt, welche Koeffizienten der jeweiligen gemessenen zeitlichen Verläufe (x) bei der Darstellung als Linearkombination des mittels dieses Verfahrens gelernten Wörterbuchs darstellen. Auf diese Weise lässt sich der Raum der latenten Variablen (z) besonders effektiv reduzieren.

In einer vorteilhaften Weiterbildung der vorgenannten Aspekte kann vorgesehen sein, dass latente Variablen (z) vorgegeben werden und das maschinelle Lernsystem abhängig von diesen vorgegebenen latenten Variablen (z) zeitliche Verläufe (χ') von Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine generiert, und dann die Emissionen abhängig von diesen generierten zeitlichen Verläufen ermittelt werden.

D.h. das maschinelle Lernsystem wird zunächst mittels gemessener zeitlicher Verläufe darauf trainiert, realistische zeitliche Verläufe generieren zu können. Durch Vorgabe der latenten Variablen werden dann zeitliche Verläufe generiert, zu denen dann, z.B. mit einem geeigneten mathematischen Modell wie beispielsweise einem maschinellen Lernverfahren oder einem physikalisch-chemischen Modell, Emissionen ermittelt werden. Es kann auch vorgesehen sein, die Emissionen an einem realen System zu messen, um damit beispielsweise das genannte maschinelle Lernverfahren zu trainieren.

In einer Weiterbildung dieses Aspekts kann vorgesehen sein, dass die mindestens einige, vorzugsweise alle, der latenten Variablen (z) mittels eines Verfahrens der statistischen Versuchsplanung ermittelt werden wird. Dies ist besonders gut, wenn abhängig von den ermittelten Emissionen das mathematische Modell, mit dem die Emissionen ermittelt werden, an tatsächliche gemessene Emissionswerte angepasst werden soll. Hierdurch lässt sich sicherstellen, dass möglichst effizient möglichst weite Bereiche des Raums der latenten Variablen exploriert werden.

In einer alternativen Weiterbildung dieses Aspekts kann vorgesehen sein, dass eine Wahrscheinlichkeitsdichteverteilung der latenten Variablen (z), die sich abhängig von den gemessenen zeitlichen Verläufen ergeben ermittelt wird und die vorgegebenen latenten Variablen (z) als eine Stichprobe aus dieser geschätzten Wahrscheinlichkeitsdichteverteilung gezogen werden.

Auf diese Weise kann erreicht werden, dass die ermittelten Emissionen besonders repräsentativ für die im realen Betrieb des Kraftfahrzeugs auftretenden Emissionen sind. Damit lassen sich die im realen Betrieb des Kraftfahrzeugs auftretenden Emissionen besonders genau abschätzen.

Es ist nun zusätzlich auch möglich, dass die zusätzlichen Variablen vorgegeben werden. Das ist besonders Vorteilhaft, wenn zeitliche Verläufe (χ') generiert werden sollen, die auf mindestens eine vorgebbare Eigenschaft bedingt sein sollen. Beispielsweise können somit zeitliche Verläufe (χ') generiert werden, welche eingeschränkt auf die oben genannten charakterisierenden Parameter, also beispielsweise Fahrzeugtypen oder geographische Standorte, generiert werden, indem diese charakterisierenden Parameter als zusätzliche Variablen vorgegeben werden.

Um eine solches maschinelles Lernsystem zu trainieren, werden die zusätzlichen Parameter, die die vorgebbaren Eigenschaften des im Training generierten zeitlichen Verlaufs (χ') kodieren soll, im Training auf den wahren Wert gesetzt (denn diese Eigenschaft des zeitlichen Verlaufs ist zu Trainingszeiten ja bekannt).

In einem anderen Aspekt der Erfindung kann vorgesehen sein, dass das maschinelle Lernsystem einen ersten Teil - einen Diskriminator - umfasst, dem entweder gemessene zeitliche Verläufe von Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine oder von einem zweiten Teil des maschinellen Lernsystems - einem Generator - generierte zeitliche Verläufe von des Kraftfahrzeugs und/oder der Brennkraftmaschine, zugeführt werden,

wobei der erste Teil darauf trainiert wird, möglichst gut entscheiden zu können, ob ihm ein gemessener oder ein generierter zeitlicher Verlauf von Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine zugeführt wird, wobei der zweite Teil darauf trainiert wird, abhängig von zufällig gewählten Eingangsgrößen zeitliche Verläufe von Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine möglichst derart zu generieren, dass der erste Teil möglichst schlecht entscheiden kann, ob ihm ein gemessener oder ein generierter zeitlicher Verlauf von Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine zugeführt wird.

Dieses Verfahren hat den Vorteil, dass die derart generierten Verläufe von Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine besonders realistisch sind.

Die Bedeutung des Wortes„zufällig" kann dabei umfassen, dass die so gewählten Größen mittels eines echten Zufallszahlengenerators oder mittels eines Pseudo-Zufallszahlengenerators ermittelt werden.

Das Training des ersten Teils und des zweiten Teils kann vorteilhafterweise wechselseitig durchgeführt werden, um sicherzustellen, dass das Training möglichst effektiv ist. Hierbei kann das Training zweckmäßigerweise so lange fortgesetzt werden, bis der Diskriminator nicht mehr in der Lage ist, mit vorgebbarer Treffsicherheit zu unterscheiden, ob die ihm zugeführten zeitlichen Verläufe gemessene oder vom Generator generierte zeitliche Verläufe sind.

In einer Weiterbildung dieses Aspekts kann vorgesehen sein, dass zufällig gewählte Eingangsgrößen vorgegeben werden und das maschinelle Lernsystem abhängig von diesen vorgegebenen Eingangsgrößen zeitliche Verläufe (χ') der Betriebsgrößen des Kraftfahrzeugs und/oder der Brennkraftmaschine generiert, und dann die Emissionen abhängig von diesen generierten zeitlichen Verläufen ermittelt werden. D.h. das maschinelle Lernsystem wird zunächst mittels gemessener zeitlicher Verläufe darauf trainiert, realistische zeitliche Verläufe generieren zu können. Durch Vorgabe der zufällig gewählten Eingangsgrößen (z) werden dann tatsächlich zeitliche Verläufe generiert, zu denen dann, z.B. mit einem geeigneten mathematischen Modell wie beispielsweise einem maschinellen Lernverfahren oder einem physikalisch-chemischen Modell, Emissionen ermittelt werden. Es kann auch vorgesehen sein, die Emissionen an einem realen System zu messen, um damit beispielsweise das genannte maschinelle Lernverfahren zu trainieren. Durch Vorgabe der zusätzlichen Variablen können Verläufe generiert werden, welche der vorgegebenen Eigenschaften entsprechen.

Insbesondere kann hierbei vorgesehen sein, dass die die zufällig gewählten Eingangsgrößen mittels eines Verfahrens der statistischen Versuchsplanung ermittelt werden.

Dies ist besonders gut, wenn abhängig von den ermittelten Emissionen ein mathematisches Modell, mit dem die Emissionen ermittelt werden, an tatsächliche gemessene Emissionswerte angepasst werden soll. Hierdurch lässt sich sicherstellen, dass möglichst schnell möglichst weite Bereiche des Raums der latenten Variablen exploriert werden.

Schließlich ist es auch möglich, die Ermittlung der Emissionen mittels eines trainierten Modells durchzuführen, während das Kraftfahrzeug betrieben wird. Es ist dann möglich, dass das Kraftfahrzeug abhängig von den ermittelten Emissionen angesteuert wird. Die Ermittlung der Emissionen mittels des maschinellen Lernsystems fungiert dann also als ein virtueller Sensor, was Kosten spart, besonders ausfallsicher ist und vor allem prädiktiv eingesetzt werden kann. Es ist dann beispielsweise möglich, abhängig von den ermittelten Emissionen eine Leistung der Brennkraftmaschine zu drosseln oder ein Kraftstoff-/Luft- Verhältnis zu verändern, beispielsweise wenn das Kraftfahrzeug in eine Zone einfährt, in der besondere, insbesondere verschärfte, Grenzwerte für die Emissionen vorliegen. Denkbar ist so etwas beispielsweise in Innenstädten.

In weiteren Aspekten betrifft die Erfindung ein Computerprogramm, welches eingerichtet ist, eines der vorgenannten Verfahren auszuführen, wenn es auf einem Computer ausgeführt wird, ein maschinenlesbares Speichermedium, auf dem dieses Computerprogramm gespeichert ist (wobei dieses Speichermedium selbstverständlich räumlich verteilt ausgebildet sein kann, z.B. bei paralleler Ausführung über mehrere Computer verteilt), und eine Vorrichtung, insbesondere eine Überwachungseinheit, die eingerichtet ist, eines dieser Verfahren auszuführen (beispielsweise durch Abspielen des vorgenannten Computerprogramms).

Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert. In den Zeichnungen zeigen:

Figur 1 einen Aufbau eines Kraftfahrzeugs;

Figur 2 eine Vorrichtung zum Ermitteln der Emissionen;

Figur 3 beispielhaft einen Aufbau einer Vorrichtung zum Trainieren des maschinellen Lernsystems;

Figur 4 beispielhaft einen Einsatz des maschinellen Lernsystems zum Ermitteln von Emissionen;

Figur 5 einen beispielhaften Aufbau des maschinellen Lernsystems;

Figur 6 einen alternativen beispielhaften Aufbau des maschinellen Lernsystems.

Beschreibung der Ausführungsbeispiele

Figur 1 zeigt beispielhaft einen Aufbau eines Kraftfahrzeugs (10). Das Kraftfahrzeug wird von einer Brennkraftmaschine (20) angetrieben. Im Betrieb der Brennkraftmaschine (20) entstehende Verbrennungsprodukte werden durch einen Abgastrakt (30) geleitet, der insbesondere eine Abgasreinigungsanlage (40), beispielsweise einen Katalysator, umfasst. Am Ende des Abgastrakts (30) entweichen Emissionen (50) in die Umwelt, insbesondere Stickoxide, Rußpartikel und Kohlendioxid. Figur 2 zeigt beispielhaft einen Aufbau einer Vorrichtung (200), mit der die Emissionen (50) des Kraftfahrzeugs (10) im praktischen Fahrbetrieb ermittelt werden können. Die Vorrichtung (200) ist im Ausführungsbeispiel ein Computer, der ein maschinenlesbares Speichermedium (210) umfasst, auf dem ein Computerprogramm (220) gespeichert ist. Dieses Computerprogramm ist eingerichtet, eines der erfindungsgemäßen Verfahren auszuführen, d.h. das Computerprogramm (220) enthält Anweisungen, die den Computer (200) veranlassen, das erfindungsgemäße Verfahren auszuführen, wenn das Computerprogramm (220) auf dem Computer (200) ausgeführt wird.

Figur 3 zeigt beispielhaft einen Aufbau einer Vorrichtung zum Trainieren des maschinellen Lernsystems (M). Dem maschinellen Lernsystem (M) werden als Eingangsgrößen gemessener zeitlicher Verläufe (x) von Betriebsgrößen des Kraftfahrzeugs (10) und/oder der Brennkraftmaschine (20) zugeführt. Diese gemessenen zeitlichen Verläufe müssen nicht aus demselben Kraftfahrzeug stammen, und können beispielsweise in einer Datenbank hinterlegt sein. Abhängig von Parametern (v, y, θ, φ„ Γ, Y), die auf dem maschinenlesbaren Speichermedium (210) gespeichert sind, generiert das maschinelle Lernsystem (M) hieraus eine Ausgabegröße, nämlich entweder zeitliche Verläufe (χ') der Betriebsgrößen oder ein Diskriminationsergebnis (d). Die gemessenen zeitlichen Verläufen (x) und die generierten zeitlichen Verläufe (χ') oder alternativ das Diskriminationsergebnis (d) werden einer Lerneinheit (L) zugeführt, die beispielsweise mittels eines Gradientenabstiegsverfahrens die Parameter (v, y, θ, φ, Γ, Y) derart anpasst, dass eine Kostenfunktion optimiert wird.

Figur 4 zeigt beispielhaft einen Einsatz des maschinellen Lernsystems (M) zum Ermitteln von Emissionen (e). Abhängig von den Parametern (v, y, θ, φ) generiert das maschinelle Lernsystem (M) zeitliche Verläufe (χ') von Betriebsgrößen des Kraftfahrzeugs (10) und/oder der Brennkraftmaschine (20). Diese werden einem

Block (E) zugeführt, der hieraus mittels eines mathematischen Modells oder echter Messungen am Kraftfahrzeug (10) die zugehörigen Emissionen (e) ermittelt. Figur 5 zeigt detaillierter einen beispielhaften Aufbau des maschinellen Lernsystems (M). Figur 5a zeigt den Aufbau, wie er beim Trainieren zum Einsatz kommen kann. Das maschinelle Lernsystem (M) weist einen Kodierer (K) und einen Dekodierer (D) auf. Der Kodierer (K) ermittelt aus den ihm zugeführten gemessenen zeitlichen Verläufen (x) und Parametern (v, Θ) Größen (z, q _e (z|x)), die die latenten Variablen (z) charakterisieren, und die wiederum einem Dekodierer (D) zugeführt werden. Neben den latenten Variablen (z) können dem Dekodierer (D) auch weitere Variablen (nicht dargestellt) zugeführt werden. Der Dekodierer (D) aus diesen Größen (z, qe(z|x)) und abhängig von Parametern (γ, φ) sowie ggf. den weiteren Größen die generierten zeitlichen Verläufe (χ').

Figur 5b zeigt den Aufbau, wie er beim Generieren von generierten zeitlichen Verläufen (χ') zum Einsatz kommen kann. Ein Block (S) generiert latente Variablen (z) gemäß einer vorgebbaren Verteilung. Beispielsweise wird mittels eines Dichteschätzers abhängig von den wie in Figur 5a gezeigt ermittelten latenten Variablen z eine Wahrscheinlichkeitsdichte ermittelt, aus der der Block (S) nun zufällig eine Stichprobe zieht. Diese generierten latenten Variablen (z) werden dem Dekodierer (D) zugeführt, der hierbei abhängig von Parametern (γ, φ) die generierten zeitlichen Verläufe (χ') generiert.

Kodierer (K) und Dekodierer (D) können hierbei beispielsweise einen Autoenco- der bilden, oder einen variationeilen Autoencoder, oder ein spärliches Wörterbuchlernen implementieren.

Es ist hierbei auch möglich, dass der Dekodierer (D) einen Gauß-Prozess um- fasst. Dann ist entweder möglich, dass der Kodierer (K) ein neuronales Netzwerk umfasst, das abhängig von Parametern (v) die latenten Variablen (z) ermittelt, wobei beim Trainieren neben den Parametern (γ), die den Gauß-Prozess charakterisieren, auch diese Parameter (v) derart variiert werden, dass eine marginale Wahrscheinlichkeit (p(x|z)) der Rekonstruktion der gemessenen zeitlichen Verläufe (x) unter diesen latenten Variablen (z) maximiert wird. Oder es ist möglich, dass der Kodierer (K) entfällt und latente Variablen (z) direkt vorgegeben werden, sodass die Lerneinheit (L) neben den Parametern (γ) auch diese latenten Variablen (z) derart anpasst, dass eine Kostenfunktion, die einen Rekonstruktionsfehler zwischen dem gemessenen zeitlichen Verlauf (x) und dem zugehörigen aus den gewählten latenten Variablen (z) generierten Verlauf (χ') aufweist, minimiert wird.

Figur 6 zeigt detaillierter einen alternativen beispielhaften Aufbau des maschinellen Lernsystems (M). Figur 6a zeigt den Aufbau, wie er beim Trainieren zum Einsatz kommen kann. Das maschinelle Lernsystem (M) umfasst einen ersten Block (U) und einen zweiten Block (H). Der erste Block (U) wird von Parametern (Y) pa- rametriert, der zweite Block (H) von Parametern (Γ). Ein Zufallszahlengenerator

(R) ermittelt Zufallszahlen (bzw. wie häufig üblich Pseudo-Zufallszahlen) r und führt diese dem zweiten Block (H) zu. Ebenso können dem zweiten Block (H) weitere Variablen (nicht dargestellt) zugeführt werden, die charakterisierende Parameter kodieren Der zweite Block (H) generiert aus den Zufallszahlen (r) und ggf. den weiteren Variablen abhängig von den Parametern (Γ) jeweils einen generierten zeitlichen Verlauf (χ').

Derart generierte zeitliche Verläufe (χ') und gemessene zeitliche Verläufe (x) werden abwechselnd dem ersten Block (U) zugeführt, d.h. dem ersten Block (U) wird entweder ein generierter zeitlicher Verlauf (χ') oder ein gemessener zeitlicher Verlauf (x) zugeführt. Es ist auch möglich, dass dem ersten Block (U) diese beiden Verläufe (x, x') zugeführt werden, wenn der erste Block (U) über einen internen Selektionsmechanismus (nicht dargestellt) verfügt, der jeweils einen dieser beiden Verläufe (x, x') auswählt.

Der erste Block (U) wird wie in Figur 3 illustriert durch Anpassung der sein Verhalten bestimmenden Parameter (Y) trainiert, möglichst gut unterscheiden zu können, ob die ihm zugeführte Größe ein gemessener zeitlicher Verlauf (x) oder ein generierter zeitlicher Verlauf (χ') ist. Die Information, ob diese Einstufung des ersten Blocks (U) richtig oder falsch ist, wird im Diskriminationsergebnis (d) kodiert. Erster Block (U) und zweiter Block (H) werden nun wechselseitig trainiert, wobei die Parameter (Y) des ersten Blocks (U) darauf trainiert werden, dass die Einstufung des ersten Blocks (U) möglichst oft richtig ist und die Parameter (Γ) des zweiten Blocks (H) darauf, dass die Einstufung des ersten Blocks (U) möglichst oft falsch ist.

Figur 6b zeigt den entsprechenden Aufbau, wie er zum Generieren von generierten zeitlichen Verläufen (χ') zum Einsatz kommen kann. Der Zufallszahlengenerator (R) generiert Zufallszahlen bzw. Pseudo-Zufallszahlen (r), und der zweite Block (H) erzeugt abhängig hiervon und ggf. abhängig von den weiteren Größen mittels der im Training angepassten Parameter (Γ) die generierten zeitlichen Verläufe (χ')