車両とそのような車両を駆動するエンジンとの最適化を行うための方法
本発明は、車両とそのような車両を駆動するエンジンとの最適化を行うための、以下のステップつまり、路上またはローラテストスタンドでの車両(10)の実車運転またはエンジンテストスタンド(19)でのエンジン(21)の実運転による測定の実施と、測定によって得られた測定値に関する予測を計算によって求められるようにするための、車両(10)ないしエンジン(19)を表すシミュレーションモデル(11)のパラメータ化と、シミュレーションモデル(11)を使用した車両(10)のシミュレーション(この場合、経験的に求められた関数に基づいて複数の測定値から得られる、一定の走行状態における車両(10)のドライバビリティを表す少なくとも1つのドライバビリティ指標(DR)も計算される)と、前記シミュレーションの間の車両(10)のセッティングの最適化(この場合、少なくとも1つのドライバビリティ指標(DR)が最適化の目的関数または周辺条件に組み入れられる)とからなる方法に関する。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、車両とそのような車両を駆動するエンジンとの最適化を行うための方法に関する。パワートレインまたはエンジン電子制御ユニット等のサブシステムも本発明に含まれることはいうまでもない。
【背景技術】
【0002】
最新の車両にあっては自由度の数が著しく高いことから、セッティングの最適化は困難な一領域である。このことは、最高度の競争能力の達成、つまり適正なチューニングで最良の周回時間の達成を一義的な目標とするレーシングカーのチューニングにも、快適性、ドライバビリティ、燃費および排気排出に関する量産車両のセッティングにも共に当てはまる。チューニングの困難さは、多数のセッティングパラメータが変化可能であり、しかもセッティングパラメータの変化が複雑な形で一般に複数に及ぶ多様な面で自動車の挙動の変化を引き起こすという事実に由来している。したがって、セッティングの最適化は実際にはほとんどの場合、広範に及ぶ豊富な経験を裏づけとしてセッティングの一定の変化の結果を予測して所望の最適化を実現することのできる有能な技術者によって実施される。それにもかかわらず、この種の最適化の過程で、達成された暫定的な結果を検証しかつ必要に応じて補正を行うために、広範な走行テストが繰り返して実施されなければならない。また、実施さるべきチューニング対策を決定するために、ドライバからのフィードバックが適宜考慮されなければならない。
【0003】
上記の手続きにはテスト/試験走行と、レーシング/テストドライバの主観的な評価とが必要である。しかしながら、これらの走行は技術的理由または所定の規則による理由から実施できないことが多い。
【0004】
実車によるテスト走行ないしテストスタンドでの検査の回数を減少させるため、少なくとも最適化の課題の一部を担うことのできるシミュレーションモデルを使用することが知られている。この種の方法の例は、欧州特許第0 877 309号明細書、国際出願第00/32465号明細書、米国特許第6,434,454号明細書または欧州特許第0 474 944号明細書に記載されている。ただし、この種のシミュレーションモデルは常に、たとえば前記の欧州特許第0 877 309号明細書に記載されているように、最適化さるべきチューニングの部分的な局面、たとえばエンジン電子制御システムのデータソースとしてのバーチャルセンサの最適計算等に光を当てることができるにすぎない。
【発明の開示】
【発明が解決しようとする課題】
【0005】
本発明の目的は、車両チューニングの部分的な局面を解明し得るだけでなく、できるだけ簡単な方法で全体的最適化を実施することのできる方法を提供することである。本発明は、実車の使用をできるだけ抑制すると共に経験豊富なテストエンジニアによる評価もできるだけ不要として、一方でコスト節減を図ると同時に他方で主観的な要素をできるだけ排除することを目標としている。
【課題を解決するための手段】
【0006】
前記課題は、以下のステップ、つまり
前記路上またはローラテストスタンドでの車両の実車運転またはエンジンテストスタンドでのエンジンの実運転による測定の実施と、
前記測定によって得られた測定値に関する予測を計算によって求められるようにするための、車両ないしエンジンを表すシミュレーションモデルのパラメータ化と、
経験的に求められた関数に基づいて複数の測定値から得られる、一定の走行状態における車両のドライバビリティを表す少なくとも1つのドライバビリティ指標も計算される、前記シミュレーションモデルを使用した車両のシミュレーションと、
少なくとも1つのドライバビリティ指標が最適化の目的関数または周辺条件に組み入れられるところの、前記シミュレーションの間の車両セッティングの最適化と、
からなる方法によって解決される。
【0007】
本発明の重要な点はドライバビリティ指標またはいわゆるドライバビリティ変数を使用することである。こうしたドライバビリティ指標とは、複数の可測変数の関数として得られる、トリガ条件とも称される一定の基準状況における車両のドライバビリティを表す値のことである。この関数の決定は、多数のテストドライバによって表明される評価が計算による関数値と比較されるという経験的な方法で行われ、その際、関数は関数値と実際に得られている評価との間の最適な一致が達成されるまで変更され、適合化される。本発明は、走行挙動の最適化とは、好ましくは、個々の測定値に基づいて行われるのではなく、まさにドライバビリティ指標を組み入れることであるとの知見に基づいている。たとえばレーシングカーにとっては、それがレーシングカーの質を表す明白な尺度であるために、達成可能なラップタイムを目指して最適化を実施することはまったく当然であると考えられるとしても、やはり、より現実に即した結果と最終的により上首尾のストラテジーとを達成し得るのはドライバビリティ指標が最適化に組み入れられるかぎりであるとのことが判明した。これは、1つの目的関数(たとえばラップタイム)ならびに多数の周辺条件を有する最適化問題が存在することを意味している。周辺条件とは、規則に制約された制限たとえば最低車両重量あるいは、車両寸法、空力特性などに関する制限であってよく、また技術的に見て物理的な性格のもの、たとえば使用される材料の耐荷限度または最大許容タイヤ摩耗、燃費または、さまざまなドライバビリティ指標に関する指定最小値であってよい。ここで、たとえば部分負荷時またはトラクションコントロール作用時のエンジンのドライバビリティは一定の限界値を超えなければならないとされてよく、この場合、レーシングカーにあって、この値はレースとトレーニングとで異なっていてよい。さらに、区間のさまざまな局面(加速、制動、コーナリング入口、コーナリング中央、コーナリング出口など)における車両のハンドリング挙動が客観的に評価されて周辺条件として定められてもよい。また上記に代えて、最適化問題を、最大許容ラップタイムが周辺条件として指定され、たとえば、複数の個々のドライバビリティ指標から生ずる総合ドライバビリティ指標が最適化される問題として定めることも可能である。
【0008】
上述した最適化をできるだけドライバの影響を排除して実施すること、つまり、シミュレーションを可能とするために、ドライバによって影響が及ぼされる変数たとえばステアリング角またはアクセルペダル・ポジションは適正に設定することが基本的に可能である。ただし、ドライバの挙動を明確にモデル化して、専用のドライバモデルにファイルすることが好ましい。この場合、レーシングスポーツに適用されるかぎりで、この種のドライバモデルは搭乗するドライバに個々に適合させられるのが有用である。量産車両の場合には、これに代えて、さまざまなドライバタイプを定め、1つのシミュレーションモデルによって表すことができる。ここで、いずれの種類のドライバモデルにあっても重要な点は、ドライバの挙動は車両の挙動に依存しているということである。この点においても、ドライバビリティ指標はこの依存性を表現してシミュレーションモデルに反映するのに特に適していることが明らかとなった。さらにまた、車両自体と同様に、ドライバの挙動と質とを表すドライバ評価指標を定めるのが有用かつ有効であることが判明した。
【0009】
最適化ステップには、前述したような複雑な最適化課題に対処するのに適したさまざまな最適化方法を使用することが可能である。この場合、基本的に、モデルをベースとした、“Full Factorial”法とも称される最適化ストラテジーを使用することができる。この場合、可変パラメータは、シミュレーションに際して、最適状態が達成されるかまたは最適状態に十分近づくまで変化させられる。この場合、最適化自体のためにシステムの性格に関する特別な知識が使用されることはない。
【0010】
別法として、いわゆる経験に依拠した最適化ストラテジーまたはDOE(Design of Experiments)ストラテジーを使用することが可能である。この場合には、シミュレートされるシステムの挙動の知識から得られる関連を考慮することにより最適化を促進することが試みられる。こうした最適化ストラテジーの決定にはより多くのコストが要されるが、その代わり一般により速やかな最適化の進展が達成される。
【0011】
本発明による方法の特に有利な1つの実施形態において、最適化はシミュレーションの過程で実施され、当初の設定のセッティングパラメータから出発して、所定の基本的に同一の走行サイクルが遂行される多数のシミュレーション・ランでシミュレーションサイクルが実施される一方で、セッティングパラメータは、セッティングパラメータが目的関数と周辺条件とに及ぼす影響を求めるために、変化させられる。これは、多数のセッティングパラメータが変更可能であるが、個々のセッティングパラメータが目的関数と周辺条件とにいかなる影響を有しているかがアプリオリには不明であることからして、実施される。このようにして、他の条件が同じであれば、個々のあらゆるセッティングパラメータの変化の影響を確認することができる。ただしこの場合、個々のセッティングパラメータ間の相互作用および相乗効果は無視される。
【0012】
特に好ましくは、シミュレーションサイクルの結果をベースとして、入力パラメータが目的関数と周辺条件とに及ぼす影響を表現する第一のメタモデルが作成され、その後に、このメタモデルをベースとして第一の最適化ステップが実施されて、第一の最適設定のセッティングパラメータが決定され、続いて、この第一の最適設定のセッティングパラメータから出発して少なくともさらに1回のシミュレーションサイクルが実施されて、さらなるメタモデルが作成される。個別的なシミュレーション・ランはかなりの演算コストを表し、こうしたシミュレーション・ランをベースとしてのみ行われる最適化はある程度複雑な実際に近いモデルにあっては法外に高い演算コストを招来することとなる。だが、目的関数と周辺条件とが近似の意味でセッティングパラメータの明示的な関数として表される上述したメタモデルの使用は、遥かに低い演算コストで最適化を実施することを可能にする。メタモデルに対する本来のシミュレーションモデルの本質的な相違は、シミュレーションモデルでは多くの量が他の量の積分として時間と相関させて計算され、関連は非線形で相互依存的であることである。さらに、シミュレーションモデルでは、基本的には対象ではないがモデルを表現するために必要とされる多くの中間量が使用される。
【0013】
これとは異なり、メタモデルは簡単で、たとえば時間積分を要することなく、セッティングパラメータ、目的関数および周辺条件の間の直接の関係を与える。この方法の第一の実施形態において、メタモデルは線形モデルである。これにより、一定の所望の結果に対するセッティングパラメータは原理的にモデルマトリックスの反転によって得られることから、最適化は特に単純化されることとなる。
【0014】
この極端な単純化は、メタモデルがシステムの実際の挙動を満足し得るように表すことができるのは当初の設定の周辺の十分小さな範囲でしかないということによって購われている。こうして、第一のメタモデルに基づいて第一の最適化ステップが実施されて、第一の最適設定のセッティングパラメータが得られた後、少なくともさらに一回のシミュレーションサイクルが実施されて、さらなるメタモデルが作成される。これによって、メタモデルの単純化によって生ずるエラーが排除される。したがって一般に、第一の最適設定は実際には本来のシミュレーションモデルの趣旨からすれば最適ではないが、当初の設定よりもそうした最適状態により近づいていると言えよう。こうしたステップが必要に応じて反復されることにより、実際の最適状態への任意に正確な近似を達成することが可能である。
【0015】
メタモデルの精度の改善は、このモデルを、セッティングパラメータが目的関数と周辺条件に一部は線形で、一部は2次形式で組み入れられるモデルとすることによって達成することができる。この場合、以下の事実つまり、少なくとも周辺条件が欠如していれば、目的関数の最適点は独立変数したがってセッティングパラメータに基づく目的量のごくわずかな導関数によって表現されることから、2次形式モデルは最適点の周辺を線形モデルよりもいっそうよく反映するという事実、が利用される。2次式に起因する計算時の超過コストは、基本的に周辺条件によっては決定されないと想定されるセッティングパラメータにそれが制限されれば、減少させることができる。
【0016】
本発明による方法をレーシングスポーツに適用する場合には、目的関数は一般に、車両が所定のコースを完走するために要するラップタイムである。ここで、ラップタイムとしては、一般的な意味で、周回コースの部分区間の走行時間である区間タイムも理解されることとする。周辺条件は、規則ならびに、たとえばグローバルなまたは一定カーブでのアンダーステアを表すドライバビリティ指標によって生ずる。
【0017】
本発明による方法を量産車両の開発に適用する場合には、たとえば、目的関数は車両の走行挙動をグローバルに表す総合ドライバビリティ指標とされる。これにより、走行快適性は客観的に再現性ある形で最適化されることができる。ただし、目的関数は車両が所定のコースを完走するために要する燃料量を表す燃費値であってもよいことから、燃費最適化車両を表すことも可能である。
特に信頼度の高い結果は、周辺条件の少なくとも一部がシミュレーション・ランの部分局面、この場合、シミュレーション・ランのすべての部分局面が対象とされる、における車両の挙動を表すドライバビリティ指標である場合に達成される。
【0018】
本発明による方法の第一の実施形態において、車両全体が実際の運転による測定に付されて、必要な測定値が得られる。この場合、測定値は完全に実際の路上状況から得られる。この種の方法は当然のことながら相対的に高いコストと結びついている。したがって、すでに部分システムに関するデータが得られているかぎりで、部分システムがシミュレーションモデルによって置き換えられるいわゆる“Hardware in the loop”法によってコストを最低限に抑えることができる。この場合、たとえば以下のようなケースが考えられる。
車両はローラテストスタンドに配される。この場合、たとえば空力効果はシミュレーションモデルによって表されなければならず、影響量たとえば車輪サスペンション、タイヤなども直接には考慮することができない。
測定のいっそうの簡易化は、車両のエンジンがハイダイナミック・テストスタンドで検査される場合に実現される。この場合、前述した変数に加えてさらに、パワートレインに関連するすべての変数もシミュレートされなければならない。
ただし、特別検査のために個々のサブシステムたとえばエンジン制御装置を別個に検査することもできるが、この場合、制御装置による直接の影響を受けないいっさいの変数はシミュレートされなければならない。
【0019】
本発明による方法の特に有利な1つの実施形態は、実際の運転による測定が実施された後に車両の変更が決定され、変更された車両をベースとするシミュレーションモデルが作成される場合である。多くの場合、一定の区間における車両の実際の測定値が得られており、この間に軽度な改良が施された車両に予想される挙動を予測することが課題となる。こうして、車両に予定された変更またはすでに実施されたが、まだ一定の区間でテストされていなかった変更をシミュレーションモデルによって考慮して、これらの変更の効果を分析することができる。この場合の特別な利点は、その他の点では不変の車両の直接の変更を走行性能の点で予測することができるだけでなく、セッティングパラメータの適正な選択による、変更された車両の最適化をシミュレーションによって示すことができることである。
【0020】
適切な演算能力が供されれば、シミュレーションモデルの初期設定後、車両の実際の運転中に、シミュレーションモデルのパラメータ化によりシミュレーションモデルを使用した車両シミュレーションを連続的に実時間で行うことが可能である。これはたとえばレース中において、場合によりレース中になお可能なセッティングパラメータの変更を計画し、評価することができるようにするため、タイヤ摩耗の進行等が考慮さるべき場合に有用であろう。車両セッティングの最適化が連続的に実時間で行われて、セッティングパラメータの変更を実施することができる。ただしまた、たとえば適切な計算機が量産車両に搭載されている場合にも、運転中に連続的にセッティングパラメータの再調整を実施して、老化現象および摩耗を考慮することができる。この点で、車両のセッティングパラメータの変更が自動的に実施されれば、特に有利である。
【0021】
本発明による方法において、以下の変数が使用される。
Ui: 環境パラメータたとえば路面状況、気圧。影響を及ぼすことが不可能な、ただしモデルに入力される外部パラメータである。
Ei: セッティングパラメータ:自動車を特徴づけるかつ(少なくとも原理的には)変更することのできる可測量。例:ばね特性曲線、エンジン特性マップ、変速比、車両重量、空気抵抗および車両の揚力係数ないし偏揺係数。
Si: シミュレーションパラメータ:これは、可測変数に対応していない、シミュレーションモデルのセッティングに必要とされる量である。例: タイヤ特性マップ(不明の場合)、パワートレインの弾性(不明の場合)。
Fi(t): ドライバ決定量、たとえばステアリング角、アクセルペダル・ポジション。これらの変数はいうまでもなく時間とともに変化し、したがって時間の関数として表されている。これらのパラメータは車両速度と相関させて位置の関数としても表すことができる。
Mi(t): 車両の挙動を特徴づける、実際に測定可能であると共にシミュレーションモデルによって計算することもできる測定値。例:縦加速度、横加速度、エンジン温度。シミュレーションモデルによって計算される仮想測定値は、環境パラメータ、セッティングパラメータのシミュレーション、シミュレーションパラメータ、ドライバ決定量ならびにその他の測定値の関数として表すことができる。
Msimi(t)=f(Ui,Ei,Si,Fi(t),Msimi(t))
DRi:一定の走行モードおよび/または部分区間に関するドライバビリティ指標。DRiは前以て求められた経験的データに基づいてMi(t)ないしMsimi(t)から計算される。
【発明を実施するための最良の形態】
【0022】
以下、本発明を図面によって示した一連の実施形態に基づいて詳細に説明する。
ここで、図1に示したフローチャートの個々のステップは以下のように説明することができる。
ステップ0: 開始
ステップ1: リアルラップ:所与のセッティングパラメータEi0を有した車両が実際のレース区間またはテストスタンドで運転され、Fi(t)とMi(t)が記録される。さらに環境パラメータUiが観測される。このリアルラップは、先述したように、先行モデルの車両で実施されたものであってもよい。
ステップ2: バーチャルラップ:シミュレーションモデルを用いて計算機でラップがシミュレートされる。シミュレーションモデルにはUiとEi0が所与のものとして入力され、さらに計算はシミュレーションパラメータSij(ここで添字jはそれぞれ、j番目にシミュレートされたラップに基づくシミュレーションパラメータSiのバージョンを表している)を基礎として行われる。これは当初セットのシミュレーションパラメータSi0から開始され、これがその後連続して改善されることを意味している。
変形1: ドライバ決定量Fi(t)はできるだけリアルラップから採用される。
変形2: ドライバモデルはシミュレーションモデルの一部(または補助的なシミュレーションモデル、これは同義である)であり、ドライバ決定量Fi(t)はFsimi(t)として共シミュレート(=計算)される。
シミュレーションの結果はシミュレートされたラップjに関するバーチャル測定値Msimij(t)(および場合によりFsimij(t))のセットである。
ステップ3: 照会:シミュレーションモデルの精度は十分であるか?これは基本的にMi(t)とMsimij(t)との間(および場合によりFi(t)とFsimij(t)との間)の差から確認される。この場合、一般に、少なくともいくつかの測定値はその他の測定値よりも重大であり、したがって異なった許容差が存在することから、評価関数が生ずるであろう。さらに、DRiの量は精度の計算に援用される。
NOTの場合: ステップ4:新たなセットのシミュレーションパラメータSijの作成とステップ2への復帰。新たなSijの計算は確実に純数学的に行われる(システムの内的関連の知識なしの最適化課題)かあるいは実際の関連に関する知識を使用することが可能である。両者のコンビネーションも可能である。
YESの場合: ステップ5
ステップ5: 車両セッティングのバーチャル変更:当初のセッティングパラメータEi0がEik(ここでkはそれぞれの最適化ステップを表すカウンタである)に変更される。
ステップ6: バーチャル・テストラップ:新たなセッティングパラメータEikを使用。ステップ2と同様に、シミュレートされた測定値 − これはk番目の最適化ステップに基づいて得られることから、ここではMsimik(t)で表されている − が計算される。
変形1: ドライバ決定量Fi(t)はリアルラップからそのまま採用される。
変形2: ドライバモデルはシミュレーションモデルの一部(または補助的なシミュレーションモデル、これは同義である)であり、ドライバ決定量は共シミュレートされる。この場合の特別な利点: ドライバの挙動はDRik − これはドライバビリティ指標である(次のステップ) − をベースとして特に容易かつ実際に近い形で予測することができる。
ステップ7: ドライバビリティ計算:DRikの計算。これはk番目の最適化ステップに基づくドライバビリティ指標である。
ステップ8: 照会:最適化の進展の評価:十分な進展が達成されたか?
NOTの場合: ステップ5に復帰。
YESの場合: 手続きの終了または場合によりステップ1に復帰。
車両最適化(ステップ5から8まで)は、1つの目的関数と複数の周辺条件とによる非線形の最適化課題を表している。
【0023】
図2のブロック図は関係する基本的な要素を概略的に示したものである。
実車10は所定の区間で運転される。測定値を基礎として、シミュレーションモデル11−これは内部において、車両モデル12、ドライバモデル13および区間モデル14に区分される−がパラメータ化される。車両モデル12は再びサブモデル−たとえば走行動特性モデル15、空力特性モデル16およびタイヤモデル17と、必要に応じ、その他のここには不図示のサブモデル−に区分することができる。
【0024】
符号18は、テストスタンドでは実際には得られない入力量たとえば車両速度などをシミュレーションモデル11から得る、実際に使用されるトラクションコントロールを表している。トラクションコントロール18はハイダイナミック・テストスタンド19を制御し、該テストスタンド側は必要な実際のデータたとえばエンジン回転数をトラクションコントロールに返送する。テストスタンド19は電気ブレーキ22と連結された実際のエンジン21からなっている。
【0025】
符号20はテストスタンド19の電子制御機構を表しており、該機構はシミュレーションモデル11との間でデータ交換を行う。シミュレーションモデル11との間の交換で得られたデータを用いて車両10のセッティングパラメータを変更し、最適化することができる。
【0026】
シミュレーションモデル11、トラクションコントロール18、テストスタンド19および電子制御機構20の間のループが閉じていることから、この種の構造はクローズドループ・モデルとも称される。この種の構造は一方で、本発明による方法で実車10をシミュレートするための、完全にはソフトウェア化されていないシミュレーションモデルとして使用することができるが、また他方で、テストスタンド検査を節減しまたは促進するために、本発明による方法の適用によって完全にソフトウェア化することも可能である。
【0027】
完全にソフトウェア化された車両10のシミュレーションには、ここには不図示の、エンジンを表すサブモデルがシミュレーションモデルの一部として必要である。
【0028】
続いて、線形メタモデルを使用した最適化プロセスを詳しく説明する。図1のステップ3において検証されたシミュレーションモデルが得られた後、ステップ5において、セッティングパラメータEikの単一のベクトルに代えて、セッティングパラメータが予定されているだけの数のベクトルが発生させられる。この場合、ベクトルEikの各々は、単一のセッティングパラメータが所定の値だけ変化させられている点で、ベクトルEi0と相違している。
【0029】
次いでステップ6において、セッティングパラメータ・ベクトルEikの各々でバーチャル・テストラップが実施され、値Msimik(t)とさらに続いてDRikが得られる。このようにして、個々のセッティングパラメータの影響を個別に決定することが可能である。
【0030】
セッティングパラメータ・ベクトルEがたとえば150の個別設定値たとえば翼迎角またはばね定数または個々の車輪サスペンション系の減衰係数などから合成され、結果ベクトルMsimが、目的値および周辺条件を形成する300の個別値たとえば周回時間、区間タイム、燃費、個別ドライバビリティ指標たとえば一定カーブでのアンダーステアおよび総合ドライバビリティ指標たとえばしゃくり、グローバルなアンダーステアまたは一般的な総合ドライバビリティ指標などから合成されていれば、以下の形の線形式を与えることができる。
V・E = Msim
ここで、Vは前述したメタモデルを表す300行、150列のマトリックスである。このマトリックスを反転することにより、容易な方法で、所望の結果ベクトルMsimを以下のようにして得ることができる。
E = V−1Msim
連立方程式の過度の限定性により必ずしもすべての値のMsimが正確に達成されるわけでないことは自明であるが、このことはほとんどの値のMsimは不等式の形で存在する周辺条件であることからして問題ではない。
【0031】
上記の式を用いて、一方で許容し得る、つまりすべての周辺条件を満たし、また他方で最適な、つまり目的関数を最大化ないし最小化する結果値・ベクトルMsimを生ずるセッティングパラメータ・ベクトルEを問題なく見出すことができる。
ところで、この第一の−値Ei1からなる−最適なセッティングパラメータ・ベクトルEはさらなるシミュレーションサイクルに援用され、同サイクルにおいて再び個々のEi1は順次変化させられる。これは十分な精度が達成されるまで反復して行われる。
【0032】
図3a〜図9cにより、単純化した例に基づいて本発明を詳細に説明する。もっぱら2つのセッティングパラメータ、つまりcARBFとcARBR、つまりフロントスタビライザないしリアスタビライザのばね剛性が可変的であると想定される。周回時間つまりラップタイムが最適化されることとし、周辺条件として2つのドライバビリティ指標つまりアンダステアとオーバーステアが所定の限界値以上に保たれることとする。これらのドライバビリティ指標つまりアンダーステアとオーバーステアは所定の走行状況における車両のアンダーステア挙動ないしオーバーステア挙動を表している。
【0033】
図3aの線図は周回時間つまりラップタイムをcARBFとcARBRとの関数として示している。図3bおよび図3cの線図はドライバビリティ指標つまりアンダステアとオーバーステアをcARBFとcARBRとの関数として示している。これらの関数はアプリオリには知られていず、本発明による方法を適用しても最終的に決して完全には既知とならない旨付記しておかなければならない。
【0034】
図4bと図4cもまたドライバビリティ指標つまりアンダーステアとオーバーステアをcARBFとcARBRとの関数として示しているが、ただしこの場合、図3bと図3cの線図に加えて、限界値 − アンダーステア>=7およびオーバーステア>=6.5が水平な面として記入されている。これらの条件が満たされるcARBFとcARBRとの値の組は最適化の許容範囲を表している。目的関数つまりラップタイムに関する図4aの線図は不変である。
【0035】
図5a,5bおよび5cは、それぞれ105N/mmのcARBFとcARBRとのスタート値30と、それから生ずる仮想測定値つまりラップタイム、アンダーステアおよびオーバーステア − これらはそれぞれ30a,30bおよび30cで表されている − を示している。これらの測定値は基本的に、シミュレートされた単一のラップによって得ることができる。線図から、これらのセッティングパラメータは最適でもなく、また許容し得るものでもないことが読み取れる。許容不能であることは、オーバーステアが限界値6.5よりも著しく小さいことを示す図5cから読み取れる。非最適性は図5aから、周回時間の低下に至るcARBFとcARBRとの値の組が明らかに存在することからして、読み取れる。
【0036】
ところで、最適化方法の第一相では許容性が確立されなければならない。今や、セッティングパラメータが存在するかぎりの数のラップがシミュレートされ、関数つまりアンダステアとオーバーステアの局所勾配が決定される。これによって、上述した意味の−目的関数と周辺条件とに関する所望の値に必要なセッティングパラメータを示す−メタモデルを作成することができる。このメタモデルは、その範囲内で線形化が正当な単純化を表わしている、始点の周辺に当てはまる。
【0037】
問題の困難さに応じて、今や、1つまたは複数のステップつまり新たなメタモデルにより、所定の周辺条件を満たすcARBFとcARBRとの値の組に達する道を見出すことが必要である。図6a,6bおよび6cには、cARBF=65N/mmとcARBR=75N/mmによって定められかつ許容範囲内にある、点32つまり点32a,32bおよび32cに至るそうした道31が記入されている。しかしながら図6aが示しているように、このセッティングは依然として最適ではない。
【0038】
そこで、最適化方法の第二相では、この許容可能な、ただし最適ではない点32から出発して、再び少なくとも1回、ただしほとんどの場合に複数回にわたって、それぞれ到達した中間点周辺での線形化が実施され、局所的に最適な経路が決定されることによって、目的関数つまりラップタイムの最適化が実施される。ただしこの場合、許容範囲から外れないように常に考慮することが必要である。このようにして、図7a,7bおよび7cにおいて、道33を経て点34つまり34a,34bおよび34c、つまり以下の仮想測定値を生ずる、cARBF=19N/mmとcARBR=69N/mmとの最適な結果に達することができる。
ラップタイム =83.1s
アンダーステア= 9.36
オーバーステア= 7.21
【0039】
上述した2相式最適化のコンセプトは変更することもできる旨付記しておかなければならない。たとえば、第一相で最適な、ただし許容不能な点を求め、第二相で許容性を確立することも可能である。ただし、また、異なったコンセプトに基づき、最適でなくかつまた許容不能な点から経路を追跡することも可能である。
ただし、この最適化方法は線形メタモデルに制限されるものでもない。2次式の使用はステップごとの演算ニーズを高めるが、必要とされるステップの数を減少させることともなる。
【0040】
いくつかのセッティングパラメータは、たとえばエンジン特性マップのように、非スカラー量であることがある。この種の特性マップには上記の最適化コンセプトを直接に適用することはできない。本発明による方法への組み入れは、先ずエンジン特性マップから導出された量たとえばトルク要件がモデル化されて最適化に際して使用され、その後にさらなるステップにおいてそれぞれの時点に適合した特性マップが計算されて、次のシミュレーション時または次のテスト走行時にセレクトないしセッティングされるようにして行うことができる。
【0041】
今や、図8a,8bおよび8cの線図は、線形化コンセプトは結果の評価と解釈にも有利に使用し得ることを示している。再度最適状態において線形化を実施することにより、セッティングパラメータの変化に対する達成された結果の感度を評価することができる。図8a,8bおよび8cには、オプチマム点におけるメタモデルを表すそれぞれの面35a,35bおよび35cが記入されている。オプチマムは許容範囲内にあることから、図8aの目的関数の面35aは予測どおり水平である。代数的には勾配は以下のように表すことができる。
cARBF cARBR
Δラップタイム 0.0000 0.0000
Δオーバーステア 0.0621 −0.0403
Δアンダーステア −0.1216 0.0254
【0042】
また、線形化されたメタモデルが所定の精度で適用可能な範囲を示すことも可能である。この種の範囲36a,36bおよび36cは図9a,9bおよび9cに表されている。これらの範囲36a,36bおよび36cを求めるには、所要の精度の考慮下で2次解析が行われなければならない。
【0043】
本願明細書に説明した最適化方法は、先に示唆したように、セッティングパラメータと相関させて仮想測定値を表す、しかもシミュレーション・ランの実施によって近似的にしか得ることのできない複雑な非線形関数の完全な知識を必要としない。2つのセッティングパラメータによる単純化されたモデルでは全体的把握は十分に可能であると考えられようが、これは、100を上回るセッティングパラメータによる実モデルでは、演算コストが指数関数的に増加することから、実際には不可能である。本発明による方法は、この点で、実用的な解決方法を提供する。
本発明は、シミュレーション法の適用によって車両チューニングを促進すると同時に質的に改善することを可能にする。
【図面の簡単な説明】
【0044】
【図1】第一の実施形態の本発明による方法を説明するためのフローチャートである。
【図2】本発明を実施するための基本的な要素を示すブロック図
【図3a】本発明による方法を単純化した例によって示す図
【図3b】本発明による方法を単純化した例によって示す図
【図3c】本発明による方法を単純化した例によって示す図
【図4a】本発明による方法を単純化した例によって示す図
【図4b】本発明による方法を単純化した例によって示す図
【図4c】本発明による方法を単純化した例によって示す図
【図5a】本発明による方法を単純化した例によって示す図
【図5b】本発明による方法を単純化した例によって示す図
【図5c】本発明による方法を単純化した例によって示す図
【図6a】本発明による方法を単純化した例によって示す図
【図6b】本発明による方法を単純化した例によって示す図
【図6c】本発明による方法を単純化した例によって示す図
【図7a】本発明による方法を単純化した例によって示す図
【図7b】本発明による方法を単純化した例によって示す図
【図7c】本発明による方法を単純化した例によって示す図
【図8a】本発明による方法を単純化した例によって示す図
【図8b】本発明による方法を単純化した例によって示す図
【図8c】本発明による方法を単純化した例によって示す図
【図9a】本発明による方法を単純化した例によって示す図
【図9b】本発明による方法を単純化した例によって示す図
【図9c】本発明による方法を単純化した例によって示す図
【技術分野】
【0001】
本発明は、車両とそのような車両を駆動するエンジンとの最適化を行うための方法に関する。パワートレインまたはエンジン電子制御ユニット等のサブシステムも本発明に含まれることはいうまでもない。
【背景技術】
【0002】
最新の車両にあっては自由度の数が著しく高いことから、セッティングの最適化は困難な一領域である。このことは、最高度の競争能力の達成、つまり適正なチューニングで最良の周回時間の達成を一義的な目標とするレーシングカーのチューニングにも、快適性、ドライバビリティ、燃費および排気排出に関する量産車両のセッティングにも共に当てはまる。チューニングの困難さは、多数のセッティングパラメータが変化可能であり、しかもセッティングパラメータの変化が複雑な形で一般に複数に及ぶ多様な面で自動車の挙動の変化を引き起こすという事実に由来している。したがって、セッティングの最適化は実際にはほとんどの場合、広範に及ぶ豊富な経験を裏づけとしてセッティングの一定の変化の結果を予測して所望の最適化を実現することのできる有能な技術者によって実施される。それにもかかわらず、この種の最適化の過程で、達成された暫定的な結果を検証しかつ必要に応じて補正を行うために、広範な走行テストが繰り返して実施されなければならない。また、実施さるべきチューニング対策を決定するために、ドライバからのフィードバックが適宜考慮されなければならない。
【0003】
上記の手続きにはテスト/試験走行と、レーシング/テストドライバの主観的な評価とが必要である。しかしながら、これらの走行は技術的理由または所定の規則による理由から実施できないことが多い。
【0004】
実車によるテスト走行ないしテストスタンドでの検査の回数を減少させるため、少なくとも最適化の課題の一部を担うことのできるシミュレーションモデルを使用することが知られている。この種の方法の例は、欧州特許第0 877 309号明細書、国際出願第00/32465号明細書、米国特許第6,434,454号明細書または欧州特許第0 474 944号明細書に記載されている。ただし、この種のシミュレーションモデルは常に、たとえば前記の欧州特許第0 877 309号明細書に記載されているように、最適化さるべきチューニングの部分的な局面、たとえばエンジン電子制御システムのデータソースとしてのバーチャルセンサの最適計算等に光を当てることができるにすぎない。
【発明の開示】
【発明が解決しようとする課題】
【0005】
本発明の目的は、車両チューニングの部分的な局面を解明し得るだけでなく、できるだけ簡単な方法で全体的最適化を実施することのできる方法を提供することである。本発明は、実車の使用をできるだけ抑制すると共に経験豊富なテストエンジニアによる評価もできるだけ不要として、一方でコスト節減を図ると同時に他方で主観的な要素をできるだけ排除することを目標としている。
【課題を解決するための手段】
【0006】
前記課題は、以下のステップ、つまり
前記路上またはローラテストスタンドでの車両の実車運転またはエンジンテストスタンドでのエンジンの実運転による測定の実施と、
前記測定によって得られた測定値に関する予測を計算によって求められるようにするための、車両ないしエンジンを表すシミュレーションモデルのパラメータ化と、
経験的に求められた関数に基づいて複数の測定値から得られる、一定の走行状態における車両のドライバビリティを表す少なくとも1つのドライバビリティ指標も計算される、前記シミュレーションモデルを使用した車両のシミュレーションと、
少なくとも1つのドライバビリティ指標が最適化の目的関数または周辺条件に組み入れられるところの、前記シミュレーションの間の車両セッティングの最適化と、
からなる方法によって解決される。
【0007】
本発明の重要な点はドライバビリティ指標またはいわゆるドライバビリティ変数を使用することである。こうしたドライバビリティ指標とは、複数の可測変数の関数として得られる、トリガ条件とも称される一定の基準状況における車両のドライバビリティを表す値のことである。この関数の決定は、多数のテストドライバによって表明される評価が計算による関数値と比較されるという経験的な方法で行われ、その際、関数は関数値と実際に得られている評価との間の最適な一致が達成されるまで変更され、適合化される。本発明は、走行挙動の最適化とは、好ましくは、個々の測定値に基づいて行われるのではなく、まさにドライバビリティ指標を組み入れることであるとの知見に基づいている。たとえばレーシングカーにとっては、それがレーシングカーの質を表す明白な尺度であるために、達成可能なラップタイムを目指して最適化を実施することはまったく当然であると考えられるとしても、やはり、より現実に即した結果と最終的により上首尾のストラテジーとを達成し得るのはドライバビリティ指標が最適化に組み入れられるかぎりであるとのことが判明した。これは、1つの目的関数(たとえばラップタイム)ならびに多数の周辺条件を有する最適化問題が存在することを意味している。周辺条件とは、規則に制約された制限たとえば最低車両重量あるいは、車両寸法、空力特性などに関する制限であってよく、また技術的に見て物理的な性格のもの、たとえば使用される材料の耐荷限度または最大許容タイヤ摩耗、燃費または、さまざまなドライバビリティ指標に関する指定最小値であってよい。ここで、たとえば部分負荷時またはトラクションコントロール作用時のエンジンのドライバビリティは一定の限界値を超えなければならないとされてよく、この場合、レーシングカーにあって、この値はレースとトレーニングとで異なっていてよい。さらに、区間のさまざまな局面(加速、制動、コーナリング入口、コーナリング中央、コーナリング出口など)における車両のハンドリング挙動が客観的に評価されて周辺条件として定められてもよい。また上記に代えて、最適化問題を、最大許容ラップタイムが周辺条件として指定され、たとえば、複数の個々のドライバビリティ指標から生ずる総合ドライバビリティ指標が最適化される問題として定めることも可能である。
【0008】
上述した最適化をできるだけドライバの影響を排除して実施すること、つまり、シミュレーションを可能とするために、ドライバによって影響が及ぼされる変数たとえばステアリング角またはアクセルペダル・ポジションは適正に設定することが基本的に可能である。ただし、ドライバの挙動を明確にモデル化して、専用のドライバモデルにファイルすることが好ましい。この場合、レーシングスポーツに適用されるかぎりで、この種のドライバモデルは搭乗するドライバに個々に適合させられるのが有用である。量産車両の場合には、これに代えて、さまざまなドライバタイプを定め、1つのシミュレーションモデルによって表すことができる。ここで、いずれの種類のドライバモデルにあっても重要な点は、ドライバの挙動は車両の挙動に依存しているということである。この点においても、ドライバビリティ指標はこの依存性を表現してシミュレーションモデルに反映するのに特に適していることが明らかとなった。さらにまた、車両自体と同様に、ドライバの挙動と質とを表すドライバ評価指標を定めるのが有用かつ有効であることが判明した。
【0009】
最適化ステップには、前述したような複雑な最適化課題に対処するのに適したさまざまな最適化方法を使用することが可能である。この場合、基本的に、モデルをベースとした、“Full Factorial”法とも称される最適化ストラテジーを使用することができる。この場合、可変パラメータは、シミュレーションに際して、最適状態が達成されるかまたは最適状態に十分近づくまで変化させられる。この場合、最適化自体のためにシステムの性格に関する特別な知識が使用されることはない。
【0010】
別法として、いわゆる経験に依拠した最適化ストラテジーまたはDOE(Design of Experiments)ストラテジーを使用することが可能である。この場合には、シミュレートされるシステムの挙動の知識から得られる関連を考慮することにより最適化を促進することが試みられる。こうした最適化ストラテジーの決定にはより多くのコストが要されるが、その代わり一般により速やかな最適化の進展が達成される。
【0011】
本発明による方法の特に有利な1つの実施形態において、最適化はシミュレーションの過程で実施され、当初の設定のセッティングパラメータから出発して、所定の基本的に同一の走行サイクルが遂行される多数のシミュレーション・ランでシミュレーションサイクルが実施される一方で、セッティングパラメータは、セッティングパラメータが目的関数と周辺条件とに及ぼす影響を求めるために、変化させられる。これは、多数のセッティングパラメータが変更可能であるが、個々のセッティングパラメータが目的関数と周辺条件とにいかなる影響を有しているかがアプリオリには不明であることからして、実施される。このようにして、他の条件が同じであれば、個々のあらゆるセッティングパラメータの変化の影響を確認することができる。ただしこの場合、個々のセッティングパラメータ間の相互作用および相乗効果は無視される。
【0012】
特に好ましくは、シミュレーションサイクルの結果をベースとして、入力パラメータが目的関数と周辺条件とに及ぼす影響を表現する第一のメタモデルが作成され、その後に、このメタモデルをベースとして第一の最適化ステップが実施されて、第一の最適設定のセッティングパラメータが決定され、続いて、この第一の最適設定のセッティングパラメータから出発して少なくともさらに1回のシミュレーションサイクルが実施されて、さらなるメタモデルが作成される。個別的なシミュレーション・ランはかなりの演算コストを表し、こうしたシミュレーション・ランをベースとしてのみ行われる最適化はある程度複雑な実際に近いモデルにあっては法外に高い演算コストを招来することとなる。だが、目的関数と周辺条件とが近似の意味でセッティングパラメータの明示的な関数として表される上述したメタモデルの使用は、遥かに低い演算コストで最適化を実施することを可能にする。メタモデルに対する本来のシミュレーションモデルの本質的な相違は、シミュレーションモデルでは多くの量が他の量の積分として時間と相関させて計算され、関連は非線形で相互依存的であることである。さらに、シミュレーションモデルでは、基本的には対象ではないがモデルを表現するために必要とされる多くの中間量が使用される。
【0013】
これとは異なり、メタモデルは簡単で、たとえば時間積分を要することなく、セッティングパラメータ、目的関数および周辺条件の間の直接の関係を与える。この方法の第一の実施形態において、メタモデルは線形モデルである。これにより、一定の所望の結果に対するセッティングパラメータは原理的にモデルマトリックスの反転によって得られることから、最適化は特に単純化されることとなる。
【0014】
この極端な単純化は、メタモデルがシステムの実際の挙動を満足し得るように表すことができるのは当初の設定の周辺の十分小さな範囲でしかないということによって購われている。こうして、第一のメタモデルに基づいて第一の最適化ステップが実施されて、第一の最適設定のセッティングパラメータが得られた後、少なくともさらに一回のシミュレーションサイクルが実施されて、さらなるメタモデルが作成される。これによって、メタモデルの単純化によって生ずるエラーが排除される。したがって一般に、第一の最適設定は実際には本来のシミュレーションモデルの趣旨からすれば最適ではないが、当初の設定よりもそうした最適状態により近づいていると言えよう。こうしたステップが必要に応じて反復されることにより、実際の最適状態への任意に正確な近似を達成することが可能である。
【0015】
メタモデルの精度の改善は、このモデルを、セッティングパラメータが目的関数と周辺条件に一部は線形で、一部は2次形式で組み入れられるモデルとすることによって達成することができる。この場合、以下の事実つまり、少なくとも周辺条件が欠如していれば、目的関数の最適点は独立変数したがってセッティングパラメータに基づく目的量のごくわずかな導関数によって表現されることから、2次形式モデルは最適点の周辺を線形モデルよりもいっそうよく反映するという事実、が利用される。2次式に起因する計算時の超過コストは、基本的に周辺条件によっては決定されないと想定されるセッティングパラメータにそれが制限されれば、減少させることができる。
【0016】
本発明による方法をレーシングスポーツに適用する場合には、目的関数は一般に、車両が所定のコースを完走するために要するラップタイムである。ここで、ラップタイムとしては、一般的な意味で、周回コースの部分区間の走行時間である区間タイムも理解されることとする。周辺条件は、規則ならびに、たとえばグローバルなまたは一定カーブでのアンダーステアを表すドライバビリティ指標によって生ずる。
【0017】
本発明による方法を量産車両の開発に適用する場合には、たとえば、目的関数は車両の走行挙動をグローバルに表す総合ドライバビリティ指標とされる。これにより、走行快適性は客観的に再現性ある形で最適化されることができる。ただし、目的関数は車両が所定のコースを完走するために要する燃料量を表す燃費値であってもよいことから、燃費最適化車両を表すことも可能である。
特に信頼度の高い結果は、周辺条件の少なくとも一部がシミュレーション・ランの部分局面、この場合、シミュレーション・ランのすべての部分局面が対象とされる、における車両の挙動を表すドライバビリティ指標である場合に達成される。
【0018】
本発明による方法の第一の実施形態において、車両全体が実際の運転による測定に付されて、必要な測定値が得られる。この場合、測定値は完全に実際の路上状況から得られる。この種の方法は当然のことながら相対的に高いコストと結びついている。したがって、すでに部分システムに関するデータが得られているかぎりで、部分システムがシミュレーションモデルによって置き換えられるいわゆる“Hardware in the loop”法によってコストを最低限に抑えることができる。この場合、たとえば以下のようなケースが考えられる。
車両はローラテストスタンドに配される。この場合、たとえば空力効果はシミュレーションモデルによって表されなければならず、影響量たとえば車輪サスペンション、タイヤなども直接には考慮することができない。
測定のいっそうの簡易化は、車両のエンジンがハイダイナミック・テストスタンドで検査される場合に実現される。この場合、前述した変数に加えてさらに、パワートレインに関連するすべての変数もシミュレートされなければならない。
ただし、特別検査のために個々のサブシステムたとえばエンジン制御装置を別個に検査することもできるが、この場合、制御装置による直接の影響を受けないいっさいの変数はシミュレートされなければならない。
【0019】
本発明による方法の特に有利な1つの実施形態は、実際の運転による測定が実施された後に車両の変更が決定され、変更された車両をベースとするシミュレーションモデルが作成される場合である。多くの場合、一定の区間における車両の実際の測定値が得られており、この間に軽度な改良が施された車両に予想される挙動を予測することが課題となる。こうして、車両に予定された変更またはすでに実施されたが、まだ一定の区間でテストされていなかった変更をシミュレーションモデルによって考慮して、これらの変更の効果を分析することができる。この場合の特別な利点は、その他の点では不変の車両の直接の変更を走行性能の点で予測することができるだけでなく、セッティングパラメータの適正な選択による、変更された車両の最適化をシミュレーションによって示すことができることである。
【0020】
適切な演算能力が供されれば、シミュレーションモデルの初期設定後、車両の実際の運転中に、シミュレーションモデルのパラメータ化によりシミュレーションモデルを使用した車両シミュレーションを連続的に実時間で行うことが可能である。これはたとえばレース中において、場合によりレース中になお可能なセッティングパラメータの変更を計画し、評価することができるようにするため、タイヤ摩耗の進行等が考慮さるべき場合に有用であろう。車両セッティングの最適化が連続的に実時間で行われて、セッティングパラメータの変更を実施することができる。ただしまた、たとえば適切な計算機が量産車両に搭載されている場合にも、運転中に連続的にセッティングパラメータの再調整を実施して、老化現象および摩耗を考慮することができる。この点で、車両のセッティングパラメータの変更が自動的に実施されれば、特に有利である。
【0021】
本発明による方法において、以下の変数が使用される。
Ui: 環境パラメータたとえば路面状況、気圧。影響を及ぼすことが不可能な、ただしモデルに入力される外部パラメータである。
Ei: セッティングパラメータ:自動車を特徴づけるかつ(少なくとも原理的には)変更することのできる可測量。例:ばね特性曲線、エンジン特性マップ、変速比、車両重量、空気抵抗および車両の揚力係数ないし偏揺係数。
Si: シミュレーションパラメータ:これは、可測変数に対応していない、シミュレーションモデルのセッティングに必要とされる量である。例: タイヤ特性マップ(不明の場合)、パワートレインの弾性(不明の場合)。
Fi(t): ドライバ決定量、たとえばステアリング角、アクセルペダル・ポジション。これらの変数はいうまでもなく時間とともに変化し、したがって時間の関数として表されている。これらのパラメータは車両速度と相関させて位置の関数としても表すことができる。
Mi(t): 車両の挙動を特徴づける、実際に測定可能であると共にシミュレーションモデルによって計算することもできる測定値。例:縦加速度、横加速度、エンジン温度。シミュレーションモデルによって計算される仮想測定値は、環境パラメータ、セッティングパラメータのシミュレーション、シミュレーションパラメータ、ドライバ決定量ならびにその他の測定値の関数として表すことができる。
Msimi(t)=f(Ui,Ei,Si,Fi(t),Msimi(t))
DRi:一定の走行モードおよび/または部分区間に関するドライバビリティ指標。DRiは前以て求められた経験的データに基づいてMi(t)ないしMsimi(t)から計算される。
【発明を実施するための最良の形態】
【0022】
以下、本発明を図面によって示した一連の実施形態に基づいて詳細に説明する。
ここで、図1に示したフローチャートの個々のステップは以下のように説明することができる。
ステップ0: 開始
ステップ1: リアルラップ:所与のセッティングパラメータEi0を有した車両が実際のレース区間またはテストスタンドで運転され、Fi(t)とMi(t)が記録される。さらに環境パラメータUiが観測される。このリアルラップは、先述したように、先行モデルの車両で実施されたものであってもよい。
ステップ2: バーチャルラップ:シミュレーションモデルを用いて計算機でラップがシミュレートされる。シミュレーションモデルにはUiとEi0が所与のものとして入力され、さらに計算はシミュレーションパラメータSij(ここで添字jはそれぞれ、j番目にシミュレートされたラップに基づくシミュレーションパラメータSiのバージョンを表している)を基礎として行われる。これは当初セットのシミュレーションパラメータSi0から開始され、これがその後連続して改善されることを意味している。
変形1: ドライバ決定量Fi(t)はできるだけリアルラップから採用される。
変形2: ドライバモデルはシミュレーションモデルの一部(または補助的なシミュレーションモデル、これは同義である)であり、ドライバ決定量Fi(t)はFsimi(t)として共シミュレート(=計算)される。
シミュレーションの結果はシミュレートされたラップjに関するバーチャル測定値Msimij(t)(および場合によりFsimij(t))のセットである。
ステップ3: 照会:シミュレーションモデルの精度は十分であるか?これは基本的にMi(t)とMsimij(t)との間(および場合によりFi(t)とFsimij(t)との間)の差から確認される。この場合、一般に、少なくともいくつかの測定値はその他の測定値よりも重大であり、したがって異なった許容差が存在することから、評価関数が生ずるであろう。さらに、DRiの量は精度の計算に援用される。
NOTの場合: ステップ4:新たなセットのシミュレーションパラメータSijの作成とステップ2への復帰。新たなSijの計算は確実に純数学的に行われる(システムの内的関連の知識なしの最適化課題)かあるいは実際の関連に関する知識を使用することが可能である。両者のコンビネーションも可能である。
YESの場合: ステップ5
ステップ5: 車両セッティングのバーチャル変更:当初のセッティングパラメータEi0がEik(ここでkはそれぞれの最適化ステップを表すカウンタである)に変更される。
ステップ6: バーチャル・テストラップ:新たなセッティングパラメータEikを使用。ステップ2と同様に、シミュレートされた測定値 − これはk番目の最適化ステップに基づいて得られることから、ここではMsimik(t)で表されている − が計算される。
変形1: ドライバ決定量Fi(t)はリアルラップからそのまま採用される。
変形2: ドライバモデルはシミュレーションモデルの一部(または補助的なシミュレーションモデル、これは同義である)であり、ドライバ決定量は共シミュレートされる。この場合の特別な利点: ドライバの挙動はDRik − これはドライバビリティ指標である(次のステップ) − をベースとして特に容易かつ実際に近い形で予測することができる。
ステップ7: ドライバビリティ計算:DRikの計算。これはk番目の最適化ステップに基づくドライバビリティ指標である。
ステップ8: 照会:最適化の進展の評価:十分な進展が達成されたか?
NOTの場合: ステップ5に復帰。
YESの場合: 手続きの終了または場合によりステップ1に復帰。
車両最適化(ステップ5から8まで)は、1つの目的関数と複数の周辺条件とによる非線形の最適化課題を表している。
【0023】
図2のブロック図は関係する基本的な要素を概略的に示したものである。
実車10は所定の区間で運転される。測定値を基礎として、シミュレーションモデル11−これは内部において、車両モデル12、ドライバモデル13および区間モデル14に区分される−がパラメータ化される。車両モデル12は再びサブモデル−たとえば走行動特性モデル15、空力特性モデル16およびタイヤモデル17と、必要に応じ、その他のここには不図示のサブモデル−に区分することができる。
【0024】
符号18は、テストスタンドでは実際には得られない入力量たとえば車両速度などをシミュレーションモデル11から得る、実際に使用されるトラクションコントロールを表している。トラクションコントロール18はハイダイナミック・テストスタンド19を制御し、該テストスタンド側は必要な実際のデータたとえばエンジン回転数をトラクションコントロールに返送する。テストスタンド19は電気ブレーキ22と連結された実際のエンジン21からなっている。
【0025】
符号20はテストスタンド19の電子制御機構を表しており、該機構はシミュレーションモデル11との間でデータ交換を行う。シミュレーションモデル11との間の交換で得られたデータを用いて車両10のセッティングパラメータを変更し、最適化することができる。
【0026】
シミュレーションモデル11、トラクションコントロール18、テストスタンド19および電子制御機構20の間のループが閉じていることから、この種の構造はクローズドループ・モデルとも称される。この種の構造は一方で、本発明による方法で実車10をシミュレートするための、完全にはソフトウェア化されていないシミュレーションモデルとして使用することができるが、また他方で、テストスタンド検査を節減しまたは促進するために、本発明による方法の適用によって完全にソフトウェア化することも可能である。
【0027】
完全にソフトウェア化された車両10のシミュレーションには、ここには不図示の、エンジンを表すサブモデルがシミュレーションモデルの一部として必要である。
【0028】
続いて、線形メタモデルを使用した最適化プロセスを詳しく説明する。図1のステップ3において検証されたシミュレーションモデルが得られた後、ステップ5において、セッティングパラメータEikの単一のベクトルに代えて、セッティングパラメータが予定されているだけの数のベクトルが発生させられる。この場合、ベクトルEikの各々は、単一のセッティングパラメータが所定の値だけ変化させられている点で、ベクトルEi0と相違している。
【0029】
次いでステップ6において、セッティングパラメータ・ベクトルEikの各々でバーチャル・テストラップが実施され、値Msimik(t)とさらに続いてDRikが得られる。このようにして、個々のセッティングパラメータの影響を個別に決定することが可能である。
【0030】
セッティングパラメータ・ベクトルEがたとえば150の個別設定値たとえば翼迎角またはばね定数または個々の車輪サスペンション系の減衰係数などから合成され、結果ベクトルMsimが、目的値および周辺条件を形成する300の個別値たとえば周回時間、区間タイム、燃費、個別ドライバビリティ指標たとえば一定カーブでのアンダーステアおよび総合ドライバビリティ指標たとえばしゃくり、グローバルなアンダーステアまたは一般的な総合ドライバビリティ指標などから合成されていれば、以下の形の線形式を与えることができる。
V・E = Msim
ここで、Vは前述したメタモデルを表す300行、150列のマトリックスである。このマトリックスを反転することにより、容易な方法で、所望の結果ベクトルMsimを以下のようにして得ることができる。
E = V−1Msim
連立方程式の過度の限定性により必ずしもすべての値のMsimが正確に達成されるわけでないことは自明であるが、このことはほとんどの値のMsimは不等式の形で存在する周辺条件であることからして問題ではない。
【0031】
上記の式を用いて、一方で許容し得る、つまりすべての周辺条件を満たし、また他方で最適な、つまり目的関数を最大化ないし最小化する結果値・ベクトルMsimを生ずるセッティングパラメータ・ベクトルEを問題なく見出すことができる。
ところで、この第一の−値Ei1からなる−最適なセッティングパラメータ・ベクトルEはさらなるシミュレーションサイクルに援用され、同サイクルにおいて再び個々のEi1は順次変化させられる。これは十分な精度が達成されるまで反復して行われる。
【0032】
図3a〜図9cにより、単純化した例に基づいて本発明を詳細に説明する。もっぱら2つのセッティングパラメータ、つまりcARBFとcARBR、つまりフロントスタビライザないしリアスタビライザのばね剛性が可変的であると想定される。周回時間つまりラップタイムが最適化されることとし、周辺条件として2つのドライバビリティ指標つまりアンダステアとオーバーステアが所定の限界値以上に保たれることとする。これらのドライバビリティ指標つまりアンダーステアとオーバーステアは所定の走行状況における車両のアンダーステア挙動ないしオーバーステア挙動を表している。
【0033】
図3aの線図は周回時間つまりラップタイムをcARBFとcARBRとの関数として示している。図3bおよび図3cの線図はドライバビリティ指標つまりアンダステアとオーバーステアをcARBFとcARBRとの関数として示している。これらの関数はアプリオリには知られていず、本発明による方法を適用しても最終的に決して完全には既知とならない旨付記しておかなければならない。
【0034】
図4bと図4cもまたドライバビリティ指標つまりアンダーステアとオーバーステアをcARBFとcARBRとの関数として示しているが、ただしこの場合、図3bと図3cの線図に加えて、限界値 − アンダーステア>=7およびオーバーステア>=6.5が水平な面として記入されている。これらの条件が満たされるcARBFとcARBRとの値の組は最適化の許容範囲を表している。目的関数つまりラップタイムに関する図4aの線図は不変である。
【0035】
図5a,5bおよび5cは、それぞれ105N/mmのcARBFとcARBRとのスタート値30と、それから生ずる仮想測定値つまりラップタイム、アンダーステアおよびオーバーステア − これらはそれぞれ30a,30bおよび30cで表されている − を示している。これらの測定値は基本的に、シミュレートされた単一のラップによって得ることができる。線図から、これらのセッティングパラメータは最適でもなく、また許容し得るものでもないことが読み取れる。許容不能であることは、オーバーステアが限界値6.5よりも著しく小さいことを示す図5cから読み取れる。非最適性は図5aから、周回時間の低下に至るcARBFとcARBRとの値の組が明らかに存在することからして、読み取れる。
【0036】
ところで、最適化方法の第一相では許容性が確立されなければならない。今や、セッティングパラメータが存在するかぎりの数のラップがシミュレートされ、関数つまりアンダステアとオーバーステアの局所勾配が決定される。これによって、上述した意味の−目的関数と周辺条件とに関する所望の値に必要なセッティングパラメータを示す−メタモデルを作成することができる。このメタモデルは、その範囲内で線形化が正当な単純化を表わしている、始点の周辺に当てはまる。
【0037】
問題の困難さに応じて、今や、1つまたは複数のステップつまり新たなメタモデルにより、所定の周辺条件を満たすcARBFとcARBRとの値の組に達する道を見出すことが必要である。図6a,6bおよび6cには、cARBF=65N/mmとcARBR=75N/mmによって定められかつ許容範囲内にある、点32つまり点32a,32bおよび32cに至るそうした道31が記入されている。しかしながら図6aが示しているように、このセッティングは依然として最適ではない。
【0038】
そこで、最適化方法の第二相では、この許容可能な、ただし最適ではない点32から出発して、再び少なくとも1回、ただしほとんどの場合に複数回にわたって、それぞれ到達した中間点周辺での線形化が実施され、局所的に最適な経路が決定されることによって、目的関数つまりラップタイムの最適化が実施される。ただしこの場合、許容範囲から外れないように常に考慮することが必要である。このようにして、図7a,7bおよび7cにおいて、道33を経て点34つまり34a,34bおよび34c、つまり以下の仮想測定値を生ずる、cARBF=19N/mmとcARBR=69N/mmとの最適な結果に達することができる。
ラップタイム =83.1s
アンダーステア= 9.36
オーバーステア= 7.21
【0039】
上述した2相式最適化のコンセプトは変更することもできる旨付記しておかなければならない。たとえば、第一相で最適な、ただし許容不能な点を求め、第二相で許容性を確立することも可能である。ただし、また、異なったコンセプトに基づき、最適でなくかつまた許容不能な点から経路を追跡することも可能である。
ただし、この最適化方法は線形メタモデルに制限されるものでもない。2次式の使用はステップごとの演算ニーズを高めるが、必要とされるステップの数を減少させることともなる。
【0040】
いくつかのセッティングパラメータは、たとえばエンジン特性マップのように、非スカラー量であることがある。この種の特性マップには上記の最適化コンセプトを直接に適用することはできない。本発明による方法への組み入れは、先ずエンジン特性マップから導出された量たとえばトルク要件がモデル化されて最適化に際して使用され、その後にさらなるステップにおいてそれぞれの時点に適合した特性マップが計算されて、次のシミュレーション時または次のテスト走行時にセレクトないしセッティングされるようにして行うことができる。
【0041】
今や、図8a,8bおよび8cの線図は、線形化コンセプトは結果の評価と解釈にも有利に使用し得ることを示している。再度最適状態において線形化を実施することにより、セッティングパラメータの変化に対する達成された結果の感度を評価することができる。図8a,8bおよび8cには、オプチマム点におけるメタモデルを表すそれぞれの面35a,35bおよび35cが記入されている。オプチマムは許容範囲内にあることから、図8aの目的関数の面35aは予測どおり水平である。代数的には勾配は以下のように表すことができる。
cARBF cARBR
Δラップタイム 0.0000 0.0000
Δオーバーステア 0.0621 −0.0403
Δアンダーステア −0.1216 0.0254
【0042】
また、線形化されたメタモデルが所定の精度で適用可能な範囲を示すことも可能である。この種の範囲36a,36bおよび36cは図9a,9bおよび9cに表されている。これらの範囲36a,36bおよび36cを求めるには、所要の精度の考慮下で2次解析が行われなければならない。
【0043】
本願明細書に説明した最適化方法は、先に示唆したように、セッティングパラメータと相関させて仮想測定値を表す、しかもシミュレーション・ランの実施によって近似的にしか得ることのできない複雑な非線形関数の完全な知識を必要としない。2つのセッティングパラメータによる単純化されたモデルでは全体的把握は十分に可能であると考えられようが、これは、100を上回るセッティングパラメータによる実モデルでは、演算コストが指数関数的に増加することから、実際には不可能である。本発明による方法は、この点で、実用的な解決方法を提供する。
本発明は、シミュレーション法の適用によって車両チューニングを促進すると同時に質的に改善することを可能にする。
【図面の簡単な説明】
【0044】
【図1】第一の実施形態の本発明による方法を説明するためのフローチャートである。
【図2】本発明を実施するための基本的な要素を示すブロック図
【図3a】本発明による方法を単純化した例によって示す図
【図3b】本発明による方法を単純化した例によって示す図
【図3c】本発明による方法を単純化した例によって示す図
【図4a】本発明による方法を単純化した例によって示す図
【図4b】本発明による方法を単純化した例によって示す図
【図4c】本発明による方法を単純化した例によって示す図
【図5a】本発明による方法を単純化した例によって示す図
【図5b】本発明による方法を単純化した例によって示す図
【図5c】本発明による方法を単純化した例によって示す図
【図6a】本発明による方法を単純化した例によって示す図
【図6b】本発明による方法を単純化した例によって示す図
【図6c】本発明による方法を単純化した例によって示す図
【図7a】本発明による方法を単純化した例によって示す図
【図7b】本発明による方法を単純化した例によって示す図
【図7c】本発明による方法を単純化した例によって示す図
【図8a】本発明による方法を単純化した例によって示す図
【図8b】本発明による方法を単純化した例によって示す図
【図8c】本発明による方法を単純化した例によって示す図
【図9a】本発明による方法を単純化した例によって示す図
【図9b】本発明による方法を単純化した例によって示す図
【図9c】本発明による方法を単純化した例によって示す図
【特許請求の範囲】
【請求項1】
車両とそのような車両を駆動するエンジンとの最適化を行うための、以下のステップ、つまり
路上またはローラテストスタンドでの車両(10)の実車運転またはエンジンテストスタンド(19)でのエンジン(21)の実運転による測定の実施と、
前記測定によって得られた測定値に関する予測を計算によって求められるようにするための、車両(10)ないしエンジン(19)を表すシミュレーションモデル(11)のパラメータ化と、
経験的に求められた関数に基づいて複数の前記測定値から得られる、一定の走行状態における車両(10)のドライバビリティを表す少なくとも1つのドライバビリティ指標(DR)も計算される、前記シミュレーションモデル(11)を使用した車両(10)のシミュレーションと、
少なくとも1つの前記ドライバビリティ指標(DR)が最適化の目的関数または周辺条件に組み入れられるところの、前記シミュレーションの間の車両(10)のセッティングの最適化と、
からなる方法。
【請求項2】
ドライバの挙動をモデル化して、ドライバによって影響が及ぼされる量(F)を走行状態に応じて計算するドライバモデル(13)が設けられていることを特徴とする請求項1に記載の方法。
【請求項3】
前記ドライバモデル(13)に少なくとも1つのドライバビリティ指標(DR)が入力量として組み入れられることを特徴とする請求項2に記載の方法。
【請求項4】
前記ドライバモデル(13)は、経験的に求められた関数に基づいて複数の測定値から得られるとともに、一定の走行状態における当該ドライバのドライビング挙動を評価する、少なくとも1つのドライバ評価指標に基づいてパラメータ化されることを特徴とする請求項2または3に記載の方法。
【請求項5】
前記シミュレーションモデル(11)のパラメータ化に際し、実運転による測定からも、シミュレーションモデルからも求められる少なくとも1つのドライバビリティ指標(DR)が使用されることを特徴とする請求項1から4のいずれか一項に記載の方法。
【請求項6】
実運転の測定は前記シミュレーションモデル(11)を一部使用して実施され、その際、いくつかのハードウェア要素は実運転の制御下におかれる一方でその他のハードウェア要素はシミュレーションモデルによって置き換えられることを特徴とする請求項1から5のいずれか一項に記載の方法。
【請求項7】
車両(10)の実車運転による測定が実施された後に車両(10)の変更が決定され、変更された車両(10)をベースとするシミュレーションモデル(11)が作成されることを特徴とする請求項1から6のいずれか一項に記載の方法。
【請求項8】
最適化は前記シミュレーションの過程で実施され、当初の設定のセッティングパラメータ(E)から出発して、所定の実質的に同一の走行サイクルが遂行される多数のシミュレーション・ランでシミュレーションサイクルが実施される一方で、セッティングパラメータ(E)は、このセッティングパラメータ(E)が目的関数と周辺条件とに及ぼす影響を求めるために、変化させられることを特徴とする請求項1から7のいずれか一項に記載の方法。
【請求項9】
前記シミュレーションサイクルの結果をベースとして、セッティングパラメータ(E)が目的関数と周辺条件とに及ぼす影響を表す第一のメタモデルが作成され、その後に、このメタモデルをベースとした第一の最適化ステップが実施されることで、第一の最適設定のセッティングパラメータ(E)が決定され、続いて、この第一の最適設定のセッティングパラメータ(E)から出発して少なくともさらに1回のシミュレーションサイクルが実施されることでさらなるメタモデルが作成されることを特徴とする請求項8に記載の方法。
【請求項10】
前記メタモデルは線形モデルであることを特徴とする請求項9に記載の方法。
【請求項11】
メタモデルは、セッティングパラメータ(E)が目的関数と周辺条件に一部は線形で、一部は2次形式で組み入れられるモデルであることを特徴とする請求項9に記載の方法。
【請求項12】
メタモデルはセッティングパラメータ(E)を考慮して明示的な表現で代数的に作り出されていることを特徴とする請求項9から11のいずれか一項に記載の方法。
【請求項13】
前記目的関数は、車両が所定のコースないしコース部分を完走するために要するラップタイムであることを特徴とする請求項1から12のいずれか一項に記載の方法。
【請求項14】
前記目的関数は、車両の走行挙動をグローバルに表す総合ドライバビリティ指標であることを特徴とする請求項1から12のいずれか一項に記載の方法。
【請求項15】
前記目的関数は、車両が所定のコースを完走するために要する燃料量を表す燃費値であることを特徴とする請求項1から12のいずれか一項に記載の方法。
【請求項16】
前記周辺条件の少なくとも一部は、シミュレーション・ランの部分局面における車両の挙動を表すドライバビリティ指標であり、その際、シミュレーション・ランのすべての部分局面が対象とされていることを特徴とする請求項1から14のいずれか一項に記載の方法。
【請求項17】
モデルをベースとした最適化ストラテジーが前記シミュレーションモデル(11)のパラメータ化に使用されることを特徴とする請求項1から16のいずれか一項に記載の方法。
【請求項18】
経験に依拠した最適化ストラテジーが前記シミュレーションモデル(11)のパラメータ化に使用されることを特徴とする請求項1から16のいずれか一項に記載の方法。
【請求項19】
モデルをベースとした最適化ストラテジーが車両(10)のセッティングの最適化に使用されることを特徴とする請求項1から18のいずれか一項に記載の方法。
【請求項20】
経験に依拠した最適化ストラテジーが車両(10)のセッティングの最適化に使用されることを特徴とする請求項1から18のいずれか一項に記載の方法。
【請求項21】
前記シミュレーションモデルの初期設定後、車両の実車運転の間に、シミュレーションモデル(11)のパラメータ化によりシミュレーションモデル(11)を使用した車両(10)のシミュレーションが連続的に実時間で行われることを特徴とする請求項1から20のいずれか一項に記載の方法。
【請求項22】
車両(10)のセッティングの最適化が連続的に実時間で行われて、セッティングパラメータの変更が実施されることを特徴とする請求項21に記載の方法。
【請求項23】
車両のセッティングパラメータ(E)の変更は自動的に実施されることを特徴とする請求項1から22のいずれか一項に記載の方法。
【請求項1】
車両とそのような車両を駆動するエンジンとの最適化を行うための、以下のステップ、つまり
路上またはローラテストスタンドでの車両(10)の実車運転またはエンジンテストスタンド(19)でのエンジン(21)の実運転による測定の実施と、
前記測定によって得られた測定値に関する予測を計算によって求められるようにするための、車両(10)ないしエンジン(19)を表すシミュレーションモデル(11)のパラメータ化と、
経験的に求められた関数に基づいて複数の前記測定値から得られる、一定の走行状態における車両(10)のドライバビリティを表す少なくとも1つのドライバビリティ指標(DR)も計算される、前記シミュレーションモデル(11)を使用した車両(10)のシミュレーションと、
少なくとも1つの前記ドライバビリティ指標(DR)が最適化の目的関数または周辺条件に組み入れられるところの、前記シミュレーションの間の車両(10)のセッティングの最適化と、
からなる方法。
【請求項2】
ドライバの挙動をモデル化して、ドライバによって影響が及ぼされる量(F)を走行状態に応じて計算するドライバモデル(13)が設けられていることを特徴とする請求項1に記載の方法。
【請求項3】
前記ドライバモデル(13)に少なくとも1つのドライバビリティ指標(DR)が入力量として組み入れられることを特徴とする請求項2に記載の方法。
【請求項4】
前記ドライバモデル(13)は、経験的に求められた関数に基づいて複数の測定値から得られるとともに、一定の走行状態における当該ドライバのドライビング挙動を評価する、少なくとも1つのドライバ評価指標に基づいてパラメータ化されることを特徴とする請求項2または3に記載の方法。
【請求項5】
前記シミュレーションモデル(11)のパラメータ化に際し、実運転による測定からも、シミュレーションモデルからも求められる少なくとも1つのドライバビリティ指標(DR)が使用されることを特徴とする請求項1から4のいずれか一項に記載の方法。
【請求項6】
実運転の測定は前記シミュレーションモデル(11)を一部使用して実施され、その際、いくつかのハードウェア要素は実運転の制御下におかれる一方でその他のハードウェア要素はシミュレーションモデルによって置き換えられることを特徴とする請求項1から5のいずれか一項に記載の方法。
【請求項7】
車両(10)の実車運転による測定が実施された後に車両(10)の変更が決定され、変更された車両(10)をベースとするシミュレーションモデル(11)が作成されることを特徴とする請求項1から6のいずれか一項に記載の方法。
【請求項8】
最適化は前記シミュレーションの過程で実施され、当初の設定のセッティングパラメータ(E)から出発して、所定の実質的に同一の走行サイクルが遂行される多数のシミュレーション・ランでシミュレーションサイクルが実施される一方で、セッティングパラメータ(E)は、このセッティングパラメータ(E)が目的関数と周辺条件とに及ぼす影響を求めるために、変化させられることを特徴とする請求項1から7のいずれか一項に記載の方法。
【請求項9】
前記シミュレーションサイクルの結果をベースとして、セッティングパラメータ(E)が目的関数と周辺条件とに及ぼす影響を表す第一のメタモデルが作成され、その後に、このメタモデルをベースとした第一の最適化ステップが実施されることで、第一の最適設定のセッティングパラメータ(E)が決定され、続いて、この第一の最適設定のセッティングパラメータ(E)から出発して少なくともさらに1回のシミュレーションサイクルが実施されることでさらなるメタモデルが作成されることを特徴とする請求項8に記載の方法。
【請求項10】
前記メタモデルは線形モデルであることを特徴とする請求項9に記載の方法。
【請求項11】
メタモデルは、セッティングパラメータ(E)が目的関数と周辺条件に一部は線形で、一部は2次形式で組み入れられるモデルであることを特徴とする請求項9に記載の方法。
【請求項12】
メタモデルはセッティングパラメータ(E)を考慮して明示的な表現で代数的に作り出されていることを特徴とする請求項9から11のいずれか一項に記載の方法。
【請求項13】
前記目的関数は、車両が所定のコースないしコース部分を完走するために要するラップタイムであることを特徴とする請求項1から12のいずれか一項に記載の方法。
【請求項14】
前記目的関数は、車両の走行挙動をグローバルに表す総合ドライバビリティ指標であることを特徴とする請求項1から12のいずれか一項に記載の方法。
【請求項15】
前記目的関数は、車両が所定のコースを完走するために要する燃料量を表す燃費値であることを特徴とする請求項1から12のいずれか一項に記載の方法。
【請求項16】
前記周辺条件の少なくとも一部は、シミュレーション・ランの部分局面における車両の挙動を表すドライバビリティ指標であり、その際、シミュレーション・ランのすべての部分局面が対象とされていることを特徴とする請求項1から14のいずれか一項に記載の方法。
【請求項17】
モデルをベースとした最適化ストラテジーが前記シミュレーションモデル(11)のパラメータ化に使用されることを特徴とする請求項1から16のいずれか一項に記載の方法。
【請求項18】
経験に依拠した最適化ストラテジーが前記シミュレーションモデル(11)のパラメータ化に使用されることを特徴とする請求項1から16のいずれか一項に記載の方法。
【請求項19】
モデルをベースとした最適化ストラテジーが車両(10)のセッティングの最適化に使用されることを特徴とする請求項1から18のいずれか一項に記載の方法。
【請求項20】
経験に依拠した最適化ストラテジーが車両(10)のセッティングの最適化に使用されることを特徴とする請求項1から18のいずれか一項に記載の方法。
【請求項21】
前記シミュレーションモデルの初期設定後、車両の実車運転の間に、シミュレーションモデル(11)のパラメータ化によりシミュレーションモデル(11)を使用した車両(10)のシミュレーションが連続的に実時間で行われることを特徴とする請求項1から20のいずれか一項に記載の方法。
【請求項22】
車両(10)のセッティングの最適化が連続的に実時間で行われて、セッティングパラメータの変更が実施されることを特徴とする請求項21に記載の方法。
【請求項23】
車両のセッティングパラメータ(E)の変更は自動的に実施されることを特徴とする請求項1から22のいずれか一項に記載の方法。
【図1】
【図2】
【図3a】
【図3b】
【図3c】
【図4a】
【図4b】
【図4c】
【図5a】
【図5b】
【図5c】
【図6a】
【図6b】
【図6c】
【図7a】
【図7b】
【図7c】
【図8a】
【図8b】
【図8c】
【図9a】
【図9b】
【図9c】
【図2】
【図3a】
【図3b】
【図3c】
【図4a】
【図4b】
【図4c】
【図5a】
【図5b】
【図5c】
【図6a】
【図6b】
【図6c】
【図7a】
【図7b】
【図7c】
【図8a】
【図8b】
【図8c】
【図9a】
【図9b】
【図9c】
【公表番号】特表2006−526104(P2006−526104A)
【公表日】平成18年11月16日(2006.11.16)
【国際特許分類】
【出願番号】特願2006−508074(P2006−508074)
【出願日】平成16年3月4日(2004.3.4)
【国際出願番号】PCT/AT2004/000070
【国際公開番号】WO2004/102287
【国際公開日】平成16年11月25日(2004.11.25)
【出願人】(597083976)アー・ファウ・エル・リスト・ゲー・エム・ベー・ハー (26)
【氏名又は名称原語表記】AVL LIST GMBH
【住所又は居所原語表記】HANS−LIST−PLATZ 1,A−8020 GRAZ,AUSTRIA
【Fターム(参考)】
【公表日】平成18年11月16日(2006.11.16)
【国際特許分類】
【出願日】平成16年3月4日(2004.3.4)
【国際出願番号】PCT/AT2004/000070
【国際公開番号】WO2004/102287
【国際公開日】平成16年11月25日(2004.11.25)
【出願人】(597083976)アー・ファウ・エル・リスト・ゲー・エム・ベー・ハー (26)
【氏名又は名称原語表記】AVL LIST GMBH
【住所又は居所原語表記】HANS−LIST−PLATZ 1,A−8020 GRAZ,AUSTRIA
【Fターム(参考)】
[ Back to top ]