阅读说明：本技术 用于降低具有内燃机的车辆的驱动系统的废气排放的方法 (Method for reducing exhaust gas emissions of a drive system of a vehicle having an internal combustion engine ) 是由 H.马克特 S.安格迈尔 于 2020-04-15 设计创作，主要内容包括：本发明涉及一种用于降低具有内燃机的车辆的驱动系统的废气排放的方法,该方法具有以下步骤：通过计算机实现的机器学习系统产生多个第一行驶走势,其中,第一行驶走势的统计分布取决于在行驶运行中测量的第二行驶走势的统计分布；借助于车辆的或车辆的驱动系统的计算机实现的建模计算用于第一行驶走势的相应的废气排放；根据所计算的废气排放中的至少一种来匹配车辆的驱动系统,其中,根据所计算的废气排放中的至少一种的程度或走势以及根据相应的第一行驶走势的统计频度来进行所述匹配,其中,借助于第一行驶走势的统计分布来测定相应的第一行驶走势的统计频度。(The invention relates to a method for reducing exhaust gas emissions from a drive train of a vehicle having an internal combustion engine, comprising the following steps: generating a plurality of first driving gestures by a computer-implemented machine learning system, wherein a statistical distribution of the first driving gestures depends on a statistical distribution of second driving gestures measured during driving operation; calculating a corresponding exhaust emission for the first driving profile by means of computer-implemented modeling of the vehicle or of a drive system of the vehicle; the drive system of the vehicle is adapted according to at least one of the calculated exhaust emissions, wherein the adaptation is performed according to the degree or the behavior of the at least one of the calculated exhaust emissions and according to the statistical frequency of the respective first driving behavior, wherein the statistical frequency of the respective first driving behavior is determined by means of a statistical distribution of the first driving behavior.)

用于降低具有内燃机的车辆的驱动系统的废气排放的方法

技术领域

本发明涉及一种用于降低具有内燃机的车辆的驱动系统的废气排放的方法以及为此设置的计算机程序。

背景技术

DE 10 2017 107 271 A1 公开了一种用于测定行驶试验的主导行驶循环的方法，所述行驶试验用于测定机动车的废气排放。在此，用于不同的行驶循环的速度曲线基于参数组被导出。目的是测定主导循环，该主导循环尽可能反映在给定的边界条件内的“最大”排放情况。

发明内容

实际上，当前，驱动系统的排放的测定主要分两级进行：

1）测定一个或多个代表性的、应当描述所有车辆的行驶特性的行驶循环。这种行驶循环也应当映射对于驱动系统要求高的行驶情况（例如包含具有高动态和/或多个起动过程的部分）。这例如也包括由立法者规定的检验循环、例如WLTP （世界轻型汽车测试规程、Worldwide harmonized Light vehicles Test Procedure）。

2）驱动系统的优化和验证借助于这些行驶循环进行。车辆设有相应的测量设备并且根据在1）中测定的测试规程进行测量。系统拓扑结构、调控函数和参数的优化基本上在驱动系统的稳定状态上并且根据这些循环进行。

然而，由此并不能提供在其废气排放方面满足在真实的行驶运行中最低限度地影响环境的高要求的驱动系统。验证结果仅仅有限地具有说服力，因为仅仅非常随机地覆盖驱动系统的整个运行状态空间并且首先运行状态的统计分布不正确地通过这些行驶循环来表示。

因此，由此一方面产生值得一提的、不遵守关于废气排放的立法的风险，并且另一方面驱动系统在排放方面不是关于所有行程的整体并且在考虑相应的频度的情况下进行优化。

在一些国家，立法规定，根据在实际的行驶运行中产生的排放来许可借助于内燃机驱动的新机动车。为此，英语名称“真实的行驶排放”也是常用的。这种机动车例如包括仅由内燃机驱动的这种机动车，但也包括具有混合动力传动系的这种机动车。

为此规定，检测人员用机动车测试（bestreiten）一个或多个行驶循环并且测量在此产生的排放。机动车的许可然后与这些测量的排放相关。在这种情况下，可以由检测人员在宽的界限内自由选择行驶循环。行驶循环的典型的持续时间在此例如可以为90-120分钟。

因此，对于机动车的制造商来说，在机动车的研发过程中提出的挑战是，必须在新机动车的研发过程中提前就能预见，该机动车的排放在每个允许的行驶循环中是否保持在法律上规定的界限内。

因此重要的是，提供在机动车的研发阶段就已经能够可靠地预测机动车的预期排放的方法和装置，以便在预期超过界限值的情况下能够执行机动车的改变。这种仅基于在试验台上或在行驶的机动车中的测量的估计由于可考虑的行驶循环的大的多样性而极其耗费。

因此，在现有技术中例如提出，确定所谓的主导循环，对于所述主导循环来说，满足排放规定是特别具有挑战性的。在此假设，如果这对于最具挑战性的循环是这种情况，则可能对于所有可考虑的行驶循环都满足排放规定。

然而，除了在每个可考虑的或允许的行驶循环中必须满足废气规定的要求之外，车辆或驱动装置研发的重要目标是，使车辆驱动系统在真实运行中的总排放最小化。在使车辆驱动系统针对最关键或特别关键的行驶循环进行匹配或优化时，虽然可能确保在所有循环中满足标准，但是由此存在排放在不太关键的循环中明显恶化的危险。如果在真实的行驶运行中的不太关键的循环仍然是更频繁的循环（这通常是这种情况），那么通过这种优化，整个系统在真实运行中的排放方面变差。例如，将排放针对关键的、然而现实上非常不常见的具有极端的速度曲线（例如带有猛烈的加速的极端的颠簸路行驶）的行驶循环进行优化会导致，排放对于不太关键但更频繁的具有常见的速度曲线的行驶循环（例如具有交通信号灯的短的城市行程）变差，这在整体上可能导致在真实运行中更高的排放。

因此，对于具有内燃机的排放优化的车辆的研发及其排放优化的匹配而言，能够自动生成大量真实的速度曲线是非常有利的，其所生成的速度曲线的分布与真实预期的分布相对应或者近似于真实预期的分布。因此，匹配驱动系统的起始点是所生成的、具有代表真实运行的分布的速度曲线。

因此，速度曲线的计算机辅助的生成在代表真实运行的分布中是重要的技术起始基础，其在不同的场景中可以决定性地改善车辆驱动系统的研发或优化并且由此有助于排放较少且更有效的车辆，尤其有助于排放较少且更有效的车辆驱动系统。

因此提出一种用于降低具有内燃机的车辆的驱动系统的废气排放的方法，其特征在于以下步骤：

- 通过计算机实现的机器学习系统产生多个第一行驶走势（51），其中，第一行驶走势的统计分布取决于行驶运行中测量的第二行驶走势的统计分布，特别是遵循该分布，

- 借助于车辆的或车辆的驱动系统的计算机实现的建模计算用于第一行驶走势的相应的废气排放（52），

- 根据所计算的废气排放中的至少一种来匹配车辆（53）的驱动系统，其中，根据所计算的废气排放中的至少一种的程度或走势以及根据相应的第一行驶走势的统计频度来进行所述匹配，其中，借助于第一行驶走势的统计分布来测定相应的第一行驶走势的统计频度。

行驶走势在此表示车辆的行驶特性的走势，其中，行驶特性可利用传感器测量的、特别是车辆的动力传动系的物理或技术特性，这些特性表征车辆的继续运动。作为最重要的变型方案，车辆的速度走势落入行驶走势的范围。车辆的速度走势对于特定的行程而言是一个或多个用于确定排放、消耗、磨损和类似参量的主导参量。在此，速度走势可以通过速度值、但也可以通过由此可导出的参量、如加速度值来确定。其它主要的行驶特性，这些行驶特性的走势对于诸如确定排放、消耗或磨损的应用是重要的，尤其包括加速踏板的位置、离合器踏板的位置、制动踏板的位置或变速器传动比。

所提出的方法使得能够不仅针对单个循环或场景而且针对现场运行全局地高效验证和优化驱动系统的废气排放。

对此也可以优选做出贡献的是，从大量第三行驶走势中选择第二行驶走势，其中，如此选择第二行驶走势，使得第二行驶走势的分布对应于实际行程的分布。如果不能针对所提出的方法动用统计上代表性的行程，则当通过从可用的数据中合适地选择来建立或近似这样的表示时，可以显著地改进所述方法。

与现有技术方法相比，与选出的采样的主导循环相比，虚拟测试环境允许基于多个生成的行驶循环来降低驱动系统的废气排放。行驶循环借助于真实行驶的模型产生，该模型确保，一方面足够紧密地覆盖整个状态空间并且另一方面确保，所产生的行驶循环关于特定问题（例如驱动系统的排放）良好地对应于真实行驶的统计。这尤其可以通过生成的行驶走势与在行驶运行中测量的行驶走势的相关性实现。考虑用于模拟的行驶走势的分布可取决于其它统计（例如在特定的区域中的行驶统计、天气统计等）。

因此，在所建议的方法中，不应再基于在先前项目上收集的知识预先确定测试情景并且根据该测试情景来检验和优化系统，而是应借助于模拟在整个状态空间中测定系统在排放方面的工作能力。在此，结果映射真实的出现概率。

由此，可以避免不必要地关注对于当前的驱动系统不太有帮助的测试情况、例如在先前项目中显示为有问题，然而在研发项目中没有问题或者不适合于显示实际的研发项目的问题域的测试情况，因为这些问题域在先前项目中还未知。

也可以避免对特别要求高的测试情况的过于强烈的关注，所述测试情况通常导致系统的超规格或过匹配，即使其例如是极少见的。这种过强的关注经常由缺乏如下知识导致，即在真实的行驶运行中在哪个状况和频度中出现单个问题域。

如已经说明的那样，在此可以通过所生成的行驶走势的代表性的分布来进行匹配，该匹配使得驱动系统在排放方面并不针对单个的或者特别关键的行驶走势进行优化。相反，如此实现驱动系统的优化，使得在真实运行中预期的排放总体上最小化，也就是说使得端管排放的总和在所有行程上最小化。

在此，优化可以通过驱动系统的组件的拓扑结构的自动匹配、驱动系统的组件的自动匹配或者在驱动系统的研发中用于驱动系统的软件功能的自动匹配来进行。相应地匹配的驱动系统然后相应地制造并且使用在车辆中。也可以通过在驱动系统的应用中匹配数据来进行优化，其中相应应用的驱动系统被使用在车辆中。此外，优化可以通过在车辆中的驱动系统的运行中匹配控制软件的控制功能或控制参量来进行。

在一种优选的设计方案中，废气排放的计算不仅根据生成的行驶走势，例如根据针对确定的行驶路线的速度曲线，而且还根据来自所属的行驶路线的路线信息，例如根据路线的坡度走势进行。由此可以计算更精确或更真实的废气排放值，这由此改善后续匹配。

第一行驶走势的统计分布优选包括第一行驶走势连同相应所属的第一行驶路线的统计分布。相应地，在行驶运行中测量的第二行驶走势的统计分布优选包括第二行驶走势连同相应所属的在行驶运行中测量的第二行驶路线的统计分布。也就是说，在这两种情况下，都考虑用于由行驶走势和所属的行驶路线组成的相应的配对的分布。在此，行驶路线包括路线特性，如特别是地理特性、交通流量特性、行车道特性、交通引导特性和/或路线的天气特性。

一种用于生成行驶走势的机器学习系统的优选的计算机实现的训练包括以下步骤：

- 从具有行驶路线的第一数据库中选择第一行驶路线，

- 机器学习系统的发生器获得第一行驶路线作为输入参量并且针对第一行驶路线生成相应所属的第一行驶走势，

- 在第二数据库中存储有行驶路线和相应所属的、在行驶运行中检测到的行驶走势，

- 从第二数据库中选择第二行驶路线以及相应所属的在行驶运行中检测到的第二行驶走势，

- 机器学习系统的鉴别器获得由具有相应所属的生成的第一行驶走势的第一行驶路线之一组成的配对和由具有相应所属的在行驶运行中检测到的第二行驶走势的第二行驶路线组成的配对作为输入参量，

- 鉴别器根据输入参量计算如下输出，所述输出表征每个作为输入参量获得的配对是指具有生成的第一行驶走势的配对还是指具有在行驶运行中检测到的第二行驶走势的配对，

- 根据鉴别器的输出优化目标函数，该目标函数表示具有生成的第一行驶走势的配对的分布和具有在行驶运行中检测到的第二行驶走势的配对的分布之间的间距。

一种用于生成行驶走势的机器学习系统的替代的优选的计算机实现的训练包括以下步骤：

- 所述机器学习系统的发生器获得第一随机矢量作为输入参量并且分别针对第一随机矢量生成第一行驶路线和所属的第一行驶走势，

- 在数据库中存储有行驶路线和相应所属的、在行驶运行中检测到的行驶走势，

- 从所述数据库中选择第二行驶路线以及相应所属的在行驶运行中检测到的第二行驶走势，

- 机器学习系统的鉴别器获得由生成的第一行驶路线和相应所属的生成的第一行驶走势组成的第一配对和由第二行驶路线和相应所属的在行驶运行中检测到的第二行驶走势组成的第二配对作为输入参量，

- 鉴别器根据输入参量计算如下输出，所述输出表征每个作为输入参量获得的配对是指由生成的第一行驶路线和相应所属的生成的第一行驶走势组成的第一配对还是指由第二行驶路线和相应所属的在行驶运行中检测到的第二行驶走势组成的第二配对，

- 根据鉴别器的输出，优化目标函数，该目标函数表示第一配对的分布和第二配对的分布之间的间距。

有利地，根据目标函数的优化来如此匹配机器学习系统的参数，使得

- 鉴别器被优化用于区分所生成的第一行驶走势和在行驶运行中检测到的第二行驶走势，

- 发生器被优化用于以第一分布生成所生成的第一行驶走势，通过鉴别器尽可能难以将所生成的第一行驶走势与以第二分布存在的、在行驶运行中检测到的第二行驶走势区分开。

所描述的训练方法提供了计算机实现的机器学习系统，利用该机器学习系统可以生成代表性的行驶走势，由此又可以在考虑到实际的代表性的影响的情况下进行诸如排放优化或系统关于排放方面的验证等措施。

在有利的设计方案中，车辆的或车辆的驱动系统的建模包括内燃机的模型和/或内燃机的废气后处理系统的模型和/或发动机控制器的模型和/或燃烧过程的模型，由此实现特别精确的模拟结果。

为了执行所描述的计算机实现的方法，可以设置计算机程序并且将其存储在能够机读的存储器上。包括这种能够机读的存储器的计算机实现的学习系统可以被设置为执行方法，其中有待执行的计算由计算机实现的学习系统的一个或多个处理器予以实施。

具体实施方式

图1示出了用于降低具有内燃机的车辆的废气排放的传统的方法。在步骤101中，观察先前项目的结果或经验值，并且在步骤102中找出尤其应覆盖关键的行驶循环的测试情况。在步骤103中列出规定的来自立法的测试规程。在步骤104中进行待优化的车辆或驱动系统的定义。在步骤105中，对于待优化的车辆或驱动系统，针对在步骤102和103中所选择的测试循环或所规定的测试规程执行废气排放的测量。在此，测量例如可以处于大约100h的数量级并且相应的结果在步骤106中被存储或分析。根据所执行的测量可以优化车辆或驱动系统。

图2示出了一种用于降低具有内燃机的车辆的废气排放的所建议的方法。在步骤201中，通过真实行驶的机器学习系统的生成模型获得由行驶走势和所属的行驶路线组成的代表性的配对。在步骤202中，针对待优化的车辆或驱动系统建立车辆模型或驱动系统的模型。图中的车辆或驱动系统的建模尤其包括废气后处理系统的子模型、燃烧模型和/或控制器的、尤其发动机控制器的模型。

在步骤203中，模拟地针对步骤201的由行驶走势和所属的行驶路线组成的代表性的配对借助于车辆模型或步骤202的驱动系统的模型来计算废气排放。然后在步骤204中存储或分析模拟的结果。在此，模拟的数量例如可以处于大约10000h的数量级。此外，模拟的分布可以与真实运行中的行驶走势和行驶路线的实际分布相应或近似。特定的行驶走势和行驶路线的相关性或统计频度可以在根据计算出的废气排放匹配驱动系统时被考虑。

图3示例性地示出了用于机器学习系统的计算机实现的训练方法，利用该训练方法可以生成代表针对图2所描述的方法的、由行驶走势和所属的行驶路线组成的配对。

在数据库301中存储有车辆的行驶路线或路线。

在图3中，数据库301中的示例路线用311表示。在数据库302中存储有车辆的行驶路线或者路线连同相应所属的行驶走势。在图3中，数据库302中的示例性的由路线和所属的行驶走势组成的配对由321表示。数据库302中的行驶走势在此对应于在车辆的行驶运行中测定或测量的行驶走势。也就是说，行驶走势优选在用车辆实际驶过所属的路线时由车辆的传感器检测和存储。数据库301和302在整个系统中特别是在能够机读的存储器上实现。在此，用数据库仅表示系统地存储在能够机读的存储器上的数据。

现在，在机器学习系统304中，发生器341要被训练用于，针对数据库301的路线生成行驶走势。这些行驶走势优选应根据随机的输入参量来确定，为此在框303中可以提供随机参量、如随机矢量。在框303中尤其可以实现随机发生器，其中在此该随机发生器也可以是指伪随机发生器。

由发生器341生成的行驶走势优选应当与在行驶运行中测定的、来自数据库302的行驶走势尽可能不可区分或几乎不可区分。为此，鉴别器342被训练为能够尽可能好地在由发生器341生成的行驶走势和由数据库302提取出的行驶走势之间进行区分，或者能够在相应的由行驶走势和路线特性组成的配对之间进行区分。学习系统在此应该不仅生成单个行驶走势，这些行驶走势尽可能不能或几乎不能与单个在行驶运行中测定的行驶走势区分开。相反，所生成的行驶走势在输入参量的参数空间中的分布也应该尽可能接近在行驶运行中测定的行驶走势在输入参量的参数空间中的分布，即实现行驶走势的代表性的分布。

机器学习系统304的训练为此包括目标函数305的优化，根据该目标函数来匹配发生器341的和鉴别器342的参数。

以下将参照图3更详细地描述机器学习系统304的所提出的训练。

在数据库301中的路线特别是作为离散的数据点的序列予以存储，其中对于每个数据点或每个离散化步而言以该离散化步来存储路线特性。

例如，数据库1中的路线r具有长度N：r＝（r₁，...，r_N）。每个数据点r_t对应于一个离散化步。特别优选的是其中离散化步对应于时间或空间离散化的实现方案。在时间离散化时，数据点分别对应于从路线开始起所经过的时间并且因此数据点的序列对应于时间走势。在空间离散化时，数据点分别对应于沿着路线所经过的路段。

采样率通常是恒定的。在时间离散化中，采样率例如可以定义为x秒，在空间离散化中例如定义为x米。

路线的每个数据点r_t描述了在相应的离散化步处的路线特性，也就是说r_t∈R^D。D是路线特性的数量，其中，在此多维路线特性的每个维度被计数为一维路线特性的维度。

这样的路线特性例如可以分别关于离散化步、特别是时间点或时间间隔或位置或路段或距离：

- 地理特征，如绝对高度或坡度，

- 交通流量特性，如交通的时间相关的平均速度，

- 行车道特性，如车道数量、行车道类型或行车道曲率，

- 交通引导特性，如速度限制、交通信号灯数量或特定交通指示牌的数量，特别是停车或让行，或者人行横道，

- 天气特性，如在预先给定的时间点的雨量、风速、雾的存在。

从数据库301中选择路线并在步骤313中将其传输给发生器341。

另外优选地，在框303中测定随机矢量并在步骤331中将其传输给发生器341。提取、即随机测定随机矢量z。在此，尤其适用z ∈R^L，其中L可以可选地取决于路线的长度N。分布优选固定到简单的分布族、例如高斯分布或均等分布，由所述分布来提取z。

现在，发生器341的输入参量优选地由变量、随机矢量z和路线r组成。与纯粹随机地生成到发生器341中的输入不同，所生成的行驶走势因此可以针对特定的路线特性予以调整（konditionieren）。例如，可以通过对不同的z进行采样来针对相同的预先给定的路线r生成不同的行驶走势。在此，数据库301中的路线r的路线特性可以是实际测量的路线特性、由专家定义的路线特性或通过机器学习系统、例如神经网络学习得到的路线特性。具有由这些变型方案中的两种或三种变型方案来创建的路线特性的路线也可以在数据库301中予以提供。

在一种示例性的应用情况中，在该应用情况中所生成的行驶走势用于确定车辆的驱动系统的排放特性，例如可以通过有针对性地改变一些路线特性，生成匹配的行驶走势并针对这些曲线模拟排放来有针对性地研究特定的路线特性对燃烧过程中的排放产生的影响程度。这允许例如针对特定的、例如针对例如控制器中的特别要求的路线曲线，特别是驱动系统的控制机构的参数来有针对性地优化驱动系统的参数。

发生器341现在根据输入参量、随机矢量（步骤331）并且根据所选择的路线（步骤313）来生成行驶走势。为此目的，发生器342具有计算机实现的算法，利用该算法来实现生成模型并输出行驶走势（步骤343）。

由发生器341生成的这种行驶走势可以例如输出为