TECHNISCHES GEBIET

Die vorliegende Erfindung betrifft allgemein das technische Gebiet der Verfahren zum Bestimmen eines Drehmoments einer anzutreibenden Vorrichtung, insbesondere eines Antriebsstrangs.

HINTERGRUND

Verfahren zum Bestimmen eines Drehmoments finden in der Antriebstechnologie vielfältige Anwendungen. Beispielsweise zur Verbesserung des Fahrverhaltens von Kraftwagen zur Personenbeförderung wird das Drehmoment des Antriebsstrangs gemessen oder rechnerisch bestimmt. Ein Antriebsstrang umfasst typischerweise einen Motor mit einer Motorwelle, eine Motorsteuerung, einen Drehmomentsensor mit einem Mikrocontroller und ein Getriebe mit einer Ausgangswelle. Unter Drehmoment im Sinne der Erfindung versteht der Fachmann dabei das an der Ausgangswelle des Antriebsstrangs anliegende Drehmoment. Neben der Fahrzeugtechnik ist das Drehmoment ferner in der Robotik eine wichtige Kenngröße. Insbesondere bei Industrierobotern ist häufig ein hohes Drehmoment nötig, um die Gelenke eines mehrgliedrigen Manipulators mit ausreichender Kraft zu bewegen.

Die bisher bekannten Verfahren zum Bestimmen des Drehmoments eines Antriebsstrangs bestehen typischerweise darin, einen Drehmomentsensor an einer Ausgangswelle des Antriebsstrangs anzubringen. Ein solcher Drehmomentsensor wird im Allgemeinen dadurch gebildet, dass Dehnungsmessstreifen an einer Komponente des Getriebes, insbesondere einem elastischen Übertragungselement mit Außenverzahnung, angebracht werden und dass ein Drehmoment unter Zugrundelegung von Eingabedaten bestimmt wird, wobei die Eingabedaten durch die Dehnungsmessstreifen gemessen werden. Derartige Verfahren werden beispielsweise in den folgenden wissenschaftlichen Publikationen beschrieben:

Hashimoto, Minoru, Yoshihide Kiyosawa, and Richard P. Paul. „A torque sensing technique for robots with harmonic drives.“ IEEE Transactions on Robotics and Automation 9.1 (1993): 108-116. Hashimoto, Minoru, and Yoshihide Kiyosawa. „Experimental study on torque control using Harmonic Drive built-in torque sensors.“ Journal of Robotic Systems 15.8 (1998): 435-445.

Weitere bekannte Verfahren zum Bestimmen des Drehmoments stützen sich auf mathematische Formeln, die sich vom physikalischen Verhalten des Antriebsstrangs ableiten. Ein derartiges Verfahren zur Bestimmung des Drehmoments wird beispielsweise im Patent DE 199 63 279 B4 mit dem Titel „Verfahren zum Feststellen eines Ausgangsdrehmoments einer Antriebsvorrichtung und Antriebsvorrichtung“ offenbart. Dabei wird das Ausgangsdrehmoment mittels einer mathematischen Formel hergeleitet, wobei eine Schmiermitteltemperatur des Getriebes, eine Drehzahl des Motors und ein Ausgangsdrehmoment des Motors als Eingabedaten verwendet werden. Es ist dabei nicht vorgesehen, dass ein Drehmomentsensor zum Einsatz kommt.

Die oben genannten Ansätze erlauben zwar das Drehmoment des Antriebsstrangs zumindest in grober Näherung zu bestimmen, jedoch gibt es verschiedene auf den Antriebsstrang wirkende Störgrößen wie Trägheits- und Temperatureffekte, die durch die bekannten Verfahren nicht erfasst werden und die zu einer ungenauen Bestimmung des Drehmoments führen.

Es ist deshalb eine Aufgabe der vorliegenden Erfindung, ein verbessertes Verfahren zum Bestimmen eines Drehmoments eines Antriebsstrangs bereitzustellen und damit die oben genannten Nachteile des Standes der Technik zumindest zum Teil zu überwinden. Eine weitere Aufgabe der vorliegenden Erfindung ist ein verbessertes mathematisches Modell zum Bestimmen eines Drehmoments bereitzustellen.

ZUSAMMENFASSUNG

Diese Aufgaben werden durch die Gegenstände der unabhängigen Ansprüche gelöst. In ihrer allgemeinsten Form betrifft die Erfindung ein Verfahren zum Bestimmen eines Drehmoments einer anzutreibenden Vorrichtung, insbesondere eines Antriebsstrangs. Das Verfahren kann dabei das Erfassen von Eingabedaten umfassen. Die Eingabedaten können eine durch einen Drehmomentsensor gemessene Spannung umfassen. Die Eingabedaten können ferner zumindest einen Signalwert einer Motorsteuerung umfassen. Des Weiteren kann das Verfahren das Bestimmen des Drehmoments mittels eines mathematischen Modells basierend auf der Spannung und dem zumindest einen Signalwert umfassen. Der Antriebsstrang ist vorzugsweise Teil eines Fahrzeuges oder Roboters und kann einen Motor mit einer Motorwelle, eine Motorsteuerung, einen Drehmomentsensor mit einem Mikrocontroller und ein Getriebe mit einer Ausgangswelle umfassen. Bei dem Motor kann es sich um einen Verbrennungsmotor, einen elektrischen Motor, eine Brennstoffzelle, einen Hybridantrieb oder einen anderen Energieumwandler handeln.

Unter dem Drehmoment des Antriebsstrangs wird dabei das zum Antrieb des Fahrzeuges, des Roboters bzw. einem Manipulatorglied des Roboters bereitstehende Drehmoment verstanden. Unter Drehmoment versteht der Fachmann das an der Ausgangswelle des Antriebsstrangs anliegende Drehmoment. Es handelt sich bei dem Drehmoment des Antriebsstrangs somit um das Ausgangsdrehmoment des Getriebes. Das Drehmoment des Antriebsstrangs kann beispielsweise direkt an die Räder des Fahrzeugs weitergeleitet werden.

Unter einem Bestimmen des Drehmoments mittels des mathematischen Modells versteht der Fachmann typischerweise jede Art des Ermittelns und/oder Berechnens im mathematischen Sinne. Dazu kann jede Art von mathematischer Operation angewendet werden, insbesondere auch iterative Verfahren oder das Lösen von Differentialgleichungen. Auch das Ablesen aus Tabellen kann zum Bestimmen des Drehmoments Anwendung finden.

Einige oder alle Verfahrensschritte können durch (oder unter Verwendung) einer Hardwarevorrichtung ausgeführt werden, wie zum Beispiel durch den Microcontroller des Drehmomentsensors. Es ist auch möglich, dass die Hardwarevorrichtung einen Prozessor, einen Mikroprozessor, einen programmierbaren Computer oder eine elektronische Schaltung umfasst. In einigen Ausführungsbeispielen können ein oder mehrere der wichtigsten Verfahrensschritte durch eine solche Vorrichtung ausgeführt werden.

Selbstverständlich kann das Verfahren voll automatisiert ablaufen. Es ist ebenfalls möglich, dass das Verfahren kontinuierlich in der für die Motortechnik üblichen Echtzeit durchlaufen wird.

Typischerweise versteht der Fachmann unter Eingabedaten diejenigen Daten, die dem mathematischen Modell zur Bestimmung des Drehmoments zur Verfügung gestellt werden.

Die Motorsteuerung dient üblicherweise zur Steuerung und/oder der Regelung des Motors. Dabei kann die Motorsteuerung alle den Motor betreffenden Signalwerte, auslesen, messen und/oder speichern. Die Motorsteuerung kann Mittel zum Auslesen, Messen und/oder Speichern der Signalwerte aufweisen. Signalwerte können elektrische Signale wie beispielsweise Spannungen und/oder Stromstärken sein. Bei den Signalwerten kann es sich auch um Drücke, Temperaturen, Drehzahlen, Beschleunigungen und/oder Geschwindigkeiten handeln. Dabei kann die Motorsteuerung dem Anwendungsfall entsprechend Zugriff auf Sensoren, wie beispielsweise Temperatur- und/oder Drucksensoren, haben oder es können Signalwerte von den Sensoren an die Motorsteuerung übermittelt werden. Möglich ist es auch, dass die Motorsteuerung eine Vielzahl von Signalwerten gleichzeitig misst und an die anderen Komponenten des Antriebsstrangs übermittelt.

Die Motorsteuerung kann ferner zur Regelung des Motors und/oder anderer Komponenten der abzutreibenden Vorrichtung ausgelegt sein. Dabei kann die Motorsteuerung beispielsweise die Geschwindigkeit eines Fahrzeugs regeln. Die Regelung kann dabei durch einen als Algorithmus implementierten Regelkreis realisiert werden.

Der Drehmomentsensor ist vorzugsweise mit einem Mikrocontroller ausgerüstet. Das mathematische Modell oder zumindest Teile des mathematischen Modells können dabei auf dem Microcontroller implementiert sein.

Als Getriebe können Stirnradgetriebe, Kegelradgetriebe, Schraubenradgetriebe, Planetengetriebe oder Harmonie Drive Getriebe zum Einsatz kommen.

Das erfindungsgemäße Verfahren führt vorteilhafterweise zur Verbesserung des Messverfahrens mittels Drehmomentsensors. Dabei können dem Verfahren neben der durch den Drehmomentsensor gemessenen Spannung zusätzliche Daten der Motorsteuerung zur Verfügung stehen, um das Drehmoment des Antriebsstrangs noch genauer zu bestimmen. Des Weiteren hat das erfindungsgemäße Verfahren den Vorteil, dass dem mathematischen Modell Eingabedaten von verschiedenen Komponenten des Antriebsstrangs, insbesondere der Motorsteuerung und dem Drehmomentsensor, gleichzeitig zur Verfügung gestellt werden können. Mit anderen Worten können gemessene Signalwerte von verschiedenen Sensoren zusammengeführt werden (Multi-Sensor-Fusion) und durch das mathematische Modell weiterverarbeitet werden.

In einem weiteren Aspekt der Erfindung umfasst der zumindest eine Signalwert der Motorsteuerung eine Motorposition und/oder eine Rotationsrichtung. Mit Motorposition ist dabei der Drehwinkel der aus dem Motor führenden Motorwelle gemeint. Die Motorwelle kann beispielsweise zu Anfang einen Drehwinkel von ungefähr 0° haben. Nach einer halben Umdrehung des Motors beträgt der Drehwinkel im Wesentlichen 180°. Mit Rotationsrichtung ist dabei die Richtung der Drehung der Motorwelle gemeint. Die Rotationsrichtung kann dabei im Uhrzeigersinn oder gegen den Uhrzeigersinn sein. Die Motorposition und die Rotationsrichtung haben den Vorteil, dass sie vorzugsweise als gespeicherte Daten in der Motorsteuerung vorliegen oder durch die Motorsteuerung gemessen werden.

In einem weiteren Aspekt umfassen die Eingabedaten eine Temperatur. Temperaturen können dabei Schmiermitteltemperaturen des Getriebes oder eine im Motor gemessene Temperatur sein. Vorteilhafterweise kann das Verfahren somit mögliche auf das Drehmoment des Antriebsstrangs wirkende Temperatureffekte erfassen.

In einem weiteren Aspekt umfasst das mathematische Modell ein Finite-Elemente-Modell. Ein Finite-Elemente-Modell hat den Vorteil, dass beliebig komplexe Geometrien des Antriebsstrangs und dessen physikalisches Verhalten basierend auf Differenzialgleichungen und auf der Kontinuums-Theorie abgebildet werden können. Auch Nicht-Linearitäten bezüglich des Materials und/oder der Geometrie können problemlos abgebildet werden.

In einem weiteren Aspekt umfasst das mathematische Modell ein maschinelles Lernmodell. Das maschinelle Lernmodell kann dabei insbesondere ein künstliches neuronales Netz sein.

Künstliche neuronale Netze (ANN; artificial neural network) sind Systeme, die durch biologische neuronale Netze inspiriert sind, wie sie in einer Netzhaut oder einem Gehirn zu finden sind. AN Ns umfassen eine Mehrzahl von zwischenverbundenen Knoten und eine Mehrzahl von Verbindungen, sogenannte Kanten (edges), zwischen den Knoten. Es gibt normalerweise drei Knotentypen, Eingabeknoten, die Eingabewerte empfangen, versteckte Knoten, die (nur) mit anderen Knoten verbunden sind, und Ausgabeknoten, die Ausgabewerte bereitstellen. Jeder Knoten kann ein künstliches Neuron darstellen. Jede Kante kann Information senden, von einem Knoten zum anderen. Die Ausgabe eines Knotens kann als eine (nichtlineare) Funktion der Eingaben definiert sein (z.B. der Summe seiner Eingaben). Die Eingaben eines Knotens können in der Funktion basierend auf einem „Gewicht“ der Kante oder des Knoten, der die Eingabe bereitstellt, verwendet werden. Das Gewicht von Knoten und/oder von Kanten kann in einem Lernprozess angepasst werden. Anders ausgedrückt, kann das Training eines künstlichen neuronalen Netzes ein Anpassen der Gewichte der Knoten und/oder Kanten des künstlichen neuronalen Netzes umfassen, d.h. um eine erwünschte Ausgabe für eine bestimmte Eingabe zu erreichen.

Alternativ kann das maschinelle Lernmodell eine Support-Vector-Machine, ein Random-Fo- rest-Modell oder ein Gradient-Boosting-Modell sein. Support Vector Machines (d.h. Stützvektornetze) sind Supervised Learning-Modelle mit zugeordneten Lernalgorithmen, die verwendet werden können, um Daten zu analysieren (z.B. in einer Klassifizierungs- oder Regressionsanalyse). Support Vector Machines können durch Bereitstellen einer Eingabe mit einer Mehrzahl von Trainingseingabewerten, die zu einer von zwei Kategorien gehören, trainiert werden. Die Support Vector Machine kann trainiert werden, um einer der beiden Kategorien einen neuen Eingabewert zuzuweisen. Alternativ kann das maschinelle Lernmodell ein bayessches Netz sein, das ein probabilistisches gerichtetes azyklisches graphisches Modell ist. Ein bayessches Netz kann einen Satz von Zufallsvariablen und ihre bedingten Abhängigkeiten unter Verwendung eines gerichteten azyklischen Graphen darstellen. Alternativ kann das maschinelle Lernmodell auf einem genetischen Algorithmus basieren, der ein Suchalgorithmus und heuristische Technik ist, die den Prozess der natürlichen Selektion imitiert.

In einem weiteren Aspekt ist das maschinelle Lernmodell unter Verwendung zumindest eines Trainingsdatensatzes trainiert. Der zumindest eine Trainingsdatensatz kann eine durch einen Drehmomentsensor gemessene Spannung, zumindest einen Signalwert einer Motorsteuerung und ein Referenzdrehmoment umfassen.

Der Trainingsdatensatz kann beispielsweise an einem Prüfstand erstellt werden. Dabei werden auf dem Prüfstand die durch den Drehmomentsensor gemessene Spannung, der zumindest eine Signalwert der Motorsteuerung und das Referenzdrehmoment bei verschiedenen Betriebszuständen des Antriebsstrangs gemessen.

Als Trainingsverfahren des maschinelles Lernmodells kann beispielsweise das „Supervised Learning“ zum Einsatz kommen. Beim Supervised Learning wird das maschinelle Lernmodell unter Verwendung einer Mehrzahl von Trainingsabtastwerten trainiert, wobei jeder Abtastwert eine Mehrzahl von Eingabedatenwerten und eine Mehrzahl von erwünschten Ausgabewerten, d.h. jedem Trainingsabtastwert ist ein erwünschter Ausgabewert zugeordnet, umfassen kann. Durch Angeben sowohl von Trainingsabtastwerten als auch erwünschten Ausgabewerten (hier dem oben genannten Referenzdrehmoment) „lernt“ das maschinelle Lernmodell, welcher Ausgabewert basierend auf einem Eingabeabtastwert, der ähnlich zu den während des Trainings bereitgestellten Abtastwerten ist, bereitzustellen ist. Neben dem Supervised Learning kann auch Semi-Supervised Learning verwendet werden. Beim Semi-Su- pervised Learning fehlt einigen der Trainingsabtastwerte ein erwünschter Ausgabewert. Supervised Learning kann auf einem Supervised Learning-Algorithmus basieren (z.B. einem Klassifizierungsalgorithmus, einem Regressionsalgorithmus oder einem Ähnlichkeitslernen- Algorithmus). Klassifizierungsalgorithmen können verwendet werden, wenn die Ausgaben auf eine begrenzte Menge von Werten (kategorische Variablen) beschränkt sind, d.h. die Eingabe ist als einer aus dem begrenzten Satz von Werten klassifiziert. Regressionsalgorithmen können verwendet werden, wenn die Ausgaben irgendeinen Zahlenwert (innerhalb eines Bereichs) ausweisen. Ähnlichkeitslernen-Algorithmen können sowohl Klassifizierungsais auch Regressionsalgorithmen ähnlich sein, basieren aber auf dem Lernen aus Beispielen unter Verwendung einer Ähnlichkeitsfunktion, die misst, wie ähnlich oder verwandt zwei Objekte sind. Neben dem Supervised Learning oder Semi-Supervised Learning kann Unsuper- vised Learning verwendet werden, um das maschinelle Lernmodell zu trainieren. Beim Unsu- pervised Learning werden möglicherweise (nur) Eingabedaten bereitgestellt und ein Unsup- ervised Learning-Algorithmus kann verwendet werden, um eine Struktur in den Eingabedaten zu finden (z.B. durch Gruppieren oder Clustern der Eingabedaten, Finden von Gemeinsamkeiten in den Daten). Clustern ist die Zuweisung von Eingabedaten, die eine Mehrzahl von Eingabewerten umfassen, in Teilmengen (Cluster), sodass Eingabewerte innerhalb desselben Clusters gemäß einem oder mehreren (vordefinierten) Ähnlichkeitskriterien ähnlich sind, während sie Eingabewerten, die in anderen Clustern umfasst sind, unähnlich sind.

In einem weiteren Aspekt ist das mathematische Modell auf einem Mikrocontroller des Drehmomentsensors implementiert. Ein Vorteil dieser Implementierung ist es, dass das Bestimmen des Drehmoments mittels eines mathematischen Modells in seiner Gesamtheit auf dem Microcontroller ausgeführt werden kann und keine weiteren Komponenten zum Ausführen des mathematischen Modells notwendig sind.

In einem weiteren Aspekt wird das mittels des mathematischen Modells bestimmte Drehmoment an einen Regelkreis übermittelt. Dabei kann der Regelkreis dazu vorgesehen sein, eine Stromstärke des Motors und/oder eine Geschwindigkeit zu regeln. Vorteilhafterweise kann somit eine auf dem Regelkreis basierende Regelung verbessert werden.

In einem weiteren Aspekt weist das Verfahren zur Plausibilitätsüberprüfung weitere Verfahrensschritte auf. Dabei kann in einem weiteren Schritt ein geschätztes Drehmoment basierend auf einer Stromstärke des Motors ermittelt werden. Des Weiteren kann eine obere Drehmomentgrenze und/oder eine untere Drehmomentgrenze basierend auf dem geschätzten Drehmoment ermittelt werden. Anschließend kann das mittels des mathematischen Modells bestimmte Drehmoment basierend auf der oberen Drehmomentgrenze und/oder der unteren Drehmomentgrenze bewertet werden. Die Stromstärke des Motors kann dabei von der Motorsteuerung als Signalwert ausgelesen werden.

Das geschätzte Drehmoment kann beispielsweise durch folgende Formel ermittelt werden, wobei zuvor eine Drehmomentkonstante und eine Übersetzung des Getriebes durch die Motorsteuerung ermittelt worden ist: geschätztes Drehmoment = Stromstärke des Motors * Drehmomentkonstante * Übersetzung des Getriebes

Die Bewertung des mittels des mathematischen Modells bestimmten Drehmoments kann beispielsweise durch folgende Bedingung geprüft werden: geschätztes Drehmoment - A < mittels des mathematischen Modells bestimmtes Drehmoment < geschätztes Drehmoment + A

Dabei ist A ein Kalibrierungsparameter unter Berücksichtigung des aktuellen Genauigkeitsniveaus des geschätzten Drehmoments. Der Parameter A kann vorab im Microcontroller des Drehmomentsensors definiert und gespeichert werden. Solange das vom mathematischen Modell bestimmte Drehmoment innerhalb des Bereichs „geschätztes Drehmoment (strombasiert) ± A“ liegt, kann beurteilt werden, ob das mittels des mathematischen Modells bestimmte Drehmoment plausibel ist. Wenn das vom mathematischen Modell bestimmte Drehmoment außerhalb des Bereichs liegt, wird der Zustand „Fehler“ als Diagnosezustand bzw. Status ausgegeben.

In einem weiteren Aspekt ist eine Vorrichtung zur Datenverarbeitung vorgesehen, insbesondere ein Mikrocontroller eines Drehmomentsensors, umfassend Mittel zur Ausführung eines der hierin beschriebenen Verfahren.

Die Vorrichtung zur Datenverarbeitung kann ein Speichermedium (oder ein Datenträger oder ein computerlesbares Medium) umfassen, das ein darauf gespeichertes Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren umfasst, wenn es von einem Prozessor ausgeführt wird. Der Datenträger, das digitale Speichermedium oder das aufgezeichnete Medium sind in der Regel greifbar und/oder nicht übergangslos. Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist eine Vorrichtung, wie hierin beschrieben, die einen Prozessor und das Speichermedium umfasst.

In einer weiteren Ausführungsform sieht die Erfindung ein Computerprogramm vor, das Befehle umfasst, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, eines der hierin beschriebenen Verfahren auszuführen.

Erfindungsgemäß ist auch ein maschinelles Lernmodell zum Bestimmen eines Drehmoments eines Antriebsstrangs vorgesehen. Dabei kann das maschinelle Lernmodell Eingabemittel zum Empfangen von einer durch einen Drehmomentsensor gemessenen Spannung und zumindest einem Signalwert einer Motorsteuerung aufweisen. Des Weiteren kann das maschinelle Lernmodell Mittel zum Bestimmen des Drehmoments basierend auf der Spannung und dem zumindest einen Signalwert aufweisen.

Das maschinelle Lernmodell kann sich auf Algorithmen und statistische Modelle beziehen, die Computersysteme verwenden können, um eine bestimmte Aufgabe ohne Verwendung expliziter Anweisungen auszuführen, anstatt sich auf Modelle und Inferenz zu verlassen. Beim maschinellen Lernen kann beispielsweise anstatt einer auf Regeln basierenden Transformation von Daten, eine Transformation von Daten verwendet werden, die aus einer Analyse von Verlaufs- und/oder Trainingsdaten hergeleitet werden kann. Beispielsweise kann das physikalische Verhalten des Antriebsstrangs unter Verwendung eines maschinelle Lernmodells oder unter Verwendung eines Maschinenlern-Algorithmus analysiert werden. Damit das maschinelle Lernmodell das physikalische Verhalten des Antriebsstrangs analysieren kann, kann das maschinelle Lernmodell unter Verwendung von Trainingsdatensätzen als Eingabe und Trainingsinhaltsinformation als Ausgabe trainiert werden. Durch Trainieren des maschinelle Lernmodells mit einer großen Anzahl von Trainingsdatensätzen und/oder Trainingssequenzen (z.B. Signalwerten) und zugeordneter Trainingsinhaltsinformation (z.B. Kennzeichnungen oder Anmerkungen) „lernt“ das maschinelle Lernmodell, das physikalischen Verhalten des Antriebsstrangs zu erkennen, sodass das physikalische Verhalten, das in den Trainingsdaten nicht umfasst ist, unter Verwendung des maschinelle Lernmodells vorhergesagt werden kann. Das gleiche Prinzip kann für andere Arten von Sensordaten ebenfalls verwendet werden: Durch Trainieren eines maschinellen Lernmodells unter Verwendung von Trainingssensordaten und einer erwünschten Ausgabe „lernt“ das maschinelle Lernmodell eine Umwandlung zwischen den Sensordaten und der Ausgabe, was verwendet werden kann, um eine Ausgabe basierend auf an das maschinelle Lernmodell bereitgestellten Nicht- Trainings-Sensordaten bereitzustellen. Die bereitgestellten Daten (z.B. Sensordaten und/oder Metadaten) können vorverarbeitet werden, um einen Merkmalsvektor zu erhalten, welcher als Eingang für das maschinelle Lernmodell verwendet wird.

In einer weiteren Ausführungsform sieht die Erfindung einen Trainingsdatensatz zum Trainieren des maschinellen Lernmodells vor. Dabei kann der zumindest eine Trainingsdatensatz eine durch einen Drehmomentsensor gemessene Spannung, zumindest einen Signalwert einer Motorsteuerung und ein Referenzdrehmoment umfassen.

KURZE BESCHREIBUNG DER ZEICHNUNGEN

Bevorzugte Ausführungsformen der vorliegenden Offenbarung werden nachfolgend mit Bezugnahme auf die folgenden Figuren beschrieben:

Fig. 1 : Antriebsstrang 1 gemäß Ausführungsformen der Erfindung.

Fig. 2: Verfahren gemäß Ausführungsformen der Erfindung im Überblick.

Fig. 3A: Mathematisches Modell 9 gemäß Ausführungsformen der Erfindung.

Fig. 3B: Motorsteuerung 4 und Drehmomentsensor 5 gemäß Ausführungsformen der Erfindung.

Fig. 4: Verfahren zur Plausibilitätsüberprüfung gemäß Ausführungsformen der Erfindung.

BESCHREIBUNG BEVORZUGTER AUSFÜHRUNGSBEISPIELE

Im Folgenden werden Ausführungsformen der Erfindung beschrieben, bei welchen ein Verfahren zum Bestimmen eines Drehmoments eines Antriebsstrangs zu Einsatz kommt, um damit den Antriebsstrang besonders effizient zu gestalten. Fig. 1 zeigt einen Antriebsstrang 1 gemäß einer Ausführungsform der Erfindung. Der Antriebsstrang 1 kommt im dargestellten Beispiel in einem Personenkraftwagen zum Einsatz und umfasst einen Motor 2 mit einer Motorwelle 3, eine Motorsteuerung 4, einen Drehmomentsensor 5 mit einem Microcontroller, ein Datenübertragungssystem 6 und ein Getriebe 7 mit einer Ausgangswelle 8. Die Motorwelle 3 des Motors 2 ist mit dem Getriebe 7 in Verbindung und überträgt somit das vom Motor 2 erzeugte Motordrehmoment an das Getriebe 7. Das Getriebe 7 ist ein Harmonie Drive Getriebe mit einem elastischen Übertragungselement, das sich durch hohe Übersetzung und Steifigkeit auszeichnet. Das elastische Übertragungselement wird auch als Flexspine bezeichnet. Das Getriebe 7 weist ferner eine Ausgangswelle 8 auf, wobei das Drehmoment der Ausgangswelle 8 an die Räder des Personenkraftwagens weitergegeben wird.

Der Drehmomentsensor 5 umfasst einen Dehnungsmessstreifen, wobei der Dehnungsmessstreifen aus einem Halbleiter besteht und auf Grundlage des piezoresistiven Effekts eine an einem Widerstand anliegende Spannung misst. Eine Änderung des Widerstands und der Spannung entsteht dabei aufgrund einer Verformung des Dehnungsmessstreifens. Der Vorteil des eingesetzten Dehnungsmessstreifens im Vergleich zu üblichen Metall-Dehnungsmessstreifen liegt in der hohen Empfindlichkeit.

Der Dehnungsmessstreifen des Drehmomentsensors 5 ist an einem elastischen Übertragungselement des Getriebes 7 angeordnet. Der Drehmomentsensor 5 ist somit im Getriebe 7 eingebettet. Der Drehmomentsensor 5 ist mit der Motorsteuerung 4 über ein Datenübertragungssystem 6 in Verbindung. Die Motorsteuerung 4 misst die den Motor 2 betreffenden Signalwerte und übermittelt die Signalwerte an den Drehmomentsensor 5.

Das Verfahren zum Bestimmen des Drehmoments ist in Form eines Computerprogramms auf dem Microcontroller des Drehmomentsensors 5 implementiert. Nachdem das Drehmoment bestimmt wurde, wird das Drehmoment über das Datenübertragungssystem 6 an die Motorsteuerung 4 übermittelt.

Fig. 2 zeigt ein Verfahren gemäß einer Ausführungsform der Erfindung in einer schematischen Darstellung. Das Verfahren gemäß der Ausführungsform umfasst die folgenden Schritte: Erster Schritt S1.1 : Der Drehmomentsensor 5 misst eine Spannung und gibt die Spannung an den Mikrocontroller weiter.

Zweiter Schritt S1 .2: Die Motorsteuerung 4 gibt einen Signalwert an den Mikrocontroller weiter.

Dritter Schritt S1 .3: Ein auf dem Mikrocontroller implementiertes mathematisches Modell 9 bestimmt das Drehmoment basierend auf der Spannung und dem Signalwert.

Es versteht sich, dass die Reihenfolge der genannten Schritte S1.1 , S1.2 und S1.3 abhängig vom Anwendungsfall variieren kann. Es kann beispielsweise zuerst der Signalwert von der Motorsteuerung 4 an den Mikrocontroller weitergegeben und dann die Spannung vom Drehmomentsensor 5 gemessen und an den Mikrocontroller weitergegeben werden. Auch ein gleichzeitiger Ablauf des ersten Schritts S1.1 und des zweiten Schritts S1.2 ist möglich.

Nach dem Bestimmen des Drehmoments kann das Drehmoment in einem weiteren, im Ausführungsbeispiel nicht dargestellten Schritt an die Motorsteuerung 4 übermittelt werden.

Fig. 3A zeigt das mathematische Modell 9 gemäß einer Ausführungsform der Erfindung. Dem mathematischen Modell 9 werden verschiedene Signalwerte als Eingabedaten E übermittelt, wobei es sich im dargestellten Beispiel bei den Eingabedaten E um eine durch den Drehmomentsensor 5 gemessene Spannung II, eine Temperatur des Getriebes 0, eine Position des Motors Q und eine Drehrichtung des Motors handelt. Das mathematische Modell 9 berechnet basierend auf den vier Signalwerten II, 0, Q und ein Drehmoment T der Ausgangswelle 8 des Antriebsstrangs 1. Das berechnete Drehmoment T wird als Signalwert zur weiteren Nutzung bereitgestellt. Das mathematische Modell 9 ist dabei ein künstliches neuronales Netz, das vor dem Einsatz im Antriebsstrang 1 mittels Trainingsdaten trainiert wurde. Die Berechnung des Drehmoments T mittels des künstlichen neuronalen Netzes und die Komponenten des Antriebsstrangs 1 sind optimal auf die in der Motorentechnik geforderte harte Echtzeitanforderung eingestellt. Die Berechnungszeit liegt dabei in einem für Anwendungen der Motorsteuerung 4 üblichen Bereich.

Fig. 3B zeigt die Motorsteuerung 4 und den Drehmomentsensor 5 gemäß einer weiteren Ausführungsform der Erfindung. Die Motorsteuerung 4 und der Drehmomentsensor 5 stehen über ein Datenübertragungssystem 6 miteinander in Verbindung und können sich somit gegenseitig die Signalwerte Q, I, T und Z zusenden. Im dargestellten Beispiel sendet die Motorsteuerung 4 dem Drehmomentsensor 5 die Position des Motors Q, die Drehrichtung des Motors und eine Stromstärke des Motors I zu. Der Drehmomentsensor 5 übermittelt der Motorsteuerung 4 das Drehmoment T der Ausgangswelle 8 des Antriebsstrangs 1 und einen Status Z des Drehmomentsensors 5 zu.

Im dargestellten Beispiel handelt es sich bei dem Datenübertragungssystem 6 um ein Ether- CAT System. Das Datenübertragungssystem 6 erfüllt somit vorteilhafterweise die Echtzeitanforderungen. Die Motorsteuerung 4 und ein Drehmomentsensor 5 können sich die Signalwerte Q, I, T und Z synchron zusenden oder austauschen. Des Weiteren können die Signalwerte und I von der Motorsteuerung 4 an den Drehmomentsensor 5 übermittelt werden und dort direkt weiterverwendet werden, um beispielsweise das Drehmoment T zu berechnen. Das Drehmoment T kann anschließend direkt zurück an die Motorsteuerung 4 übermittelt werden.

Fig. 4 zeigt ein Verfahren zur Plausibilitätsüberprüfung gemäß einer Ausführungsform der Erfindung. Dabei werden alle Verfahrensschritte S2.1 , S2.2, S2.3, S2.4 und S2.5 auf einem zum Drehmomentsensor 5 gehörenden Microcontroller ausgeführt.

In einem ersten Schritt S2.1 empfängt der Microcontroller die Signalwerte Q, und I von der Motorsteuerung 4 über das Datenübertragungssystem 6. Die Signalwerte umfassen dabei die Stromstärke des Motors I. In einem zweiten Schritt S2.2 berechnet der Microcontroller das Drehmoment T mittels eines auf dem Microcontroller implementierten mathematischen Modells 9 und basierend auf den Signalwerten und I. Des Weiteren ermittelt der Microcontroller im zweiten Schritt S2.2 ein geschätztes Drehmoment basierend auf der Stromstärke des Motors I. Der Microcontroller ermittelt zusätzlich eine obere Drehmomentgrenze und eine untere Drehmomentgrenze basierend auf dem geschätzten Drehmoment. In einem dritten Schritt S2.3 bewertet der Microcontroller das mittels des mathematischen Modells 9 bestimmte Drehmoment T basierend auf der oberen Drehmomentgrenze und der unteren Drehmomentgrenze.

Ist das mittels des mathematischen Modells 9 ermittelte Drehmoment T außerhalb der Drehmomentgrenzen, d.h. größer als der Wert, der durch die obere Drehmomentgrenze definiert wird, oder kleiner als der Wert, der durch die untere Drehmomentgrenze definiert wird, setzt der Microcontroller in einem weiteren Schritt S2.4 den Status Z auf „Fehler“. Ist das mittels des mathematischen Modells 9 ermittelte Drehmoment T innerhalb der Drehmomentgrenzen, d.h. kleiner als der Wert, der durch die obere Drehmomentgrenze definiert wird, und gleichzeitig größer als der Wert, der durch die untere Drehmomentgrenze definiert wird, setzt der Microcontroller in einem weiteren Schritt S2.5 den Status Z auf „plausibel“.

Der Status Z und das Drehmoment T können in einem weiteren Schritt mittels des Datenübertragungssystems 6 an die Motorsteuerung 4 übermittelt werden. Das in Fig. 4 dargestellte Verfahren dient somit zur technischen Plausibilitätsüberprüfung des mittels des mathematischen Modells 9 ermittelten Drehmoments T. Wird der Status Z als „Fehler“ ausgegeben, wird das Drehmoment T für keine weiteren Berechnungen in der Motorsteuerung 6 eingesetzt.

Obwohl Ausführungsformen der Erfindung primär für den Einsatz in Personenkraftwagen beschrieben wurden, sei erwähnt, dass sich die hier offenbarten Prinzipien gleichwohl in anderen Einsatzbereichen realisieren lassen, z.B. in Lastkraftwagen, Trucks, Motorrädern, Achsantriebe bei Robotern und Antriebe in Flugsimulatoren.

Die für die obigen Funktionen notwendigen Algorithmen bzw. Computerprogramme können zweckmäßig ganz oder in Teilen jeweils im Drehmomentsensor 5, im Microcontroller, in der Motorsteuerung 4 und/oder in einem anderen mit diesen Geräten in Verbindung stehenden Computersystem implementiert sein. Das Computersystem kann eine lokale Computervorrichtung (z.B. Personalcomputer, Laptop, Tablet-Computer oder Mobiltelefon) mit einem oder mehreren Prozessoren und einer oder mehreren Speichervorrichtungen oder kann ein verteiltes Computersystem (z.B. ein Cloud-Computing-System mit einem oder mehreren Prozessoren oder einer oder mehreren Speichervorrichtungen, die an verschiedenen Stellen verteilt sind, zum Beispiel an einem lokalen Client und/oder einer oder mehreren Remote- Server-Farms und/oder Datenzentren) sein.

Abhängig von bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Erfindung in Hardware oder Software implementiert werden. Einige oder alle Verfahrensschritte können durch (oder unter Verwendung) einer Hardwarevorrichtung ausgeführt werden, wie es zum Beispiel ein Prozessor, ein Mikroprozessor, ein programmierbarer Computer oder eine elektronische Schaltung sein kann. Obwohl einige Aspekte im Rahmen einer Vorrichtung beschrieben wurden, ist es klar, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, wobei ein Block oder eine Vorrichtung einem Verfahrensschritt oder einer Funktion eines Verfahrensschritts entspricht. Analog dazu stellen Aspekte, die im Rahmen eines Verfahrensschritts be- schrieben werden, auch eine Beschreibung eines entsprechenden Blocks oder Elements oder einer Eigenschaft einer entsprechenden Vorrichtung dar.