Methoden des maschinellen Lernens in der Funktionsentwicklung von hybriden Fahrzeuggetrieben am Beispiel des Doppelkupplungsgetriebes = Machine Learning Methods in Function Development of Hybrid Transmissions by the Example of the Dual Clutch Transmission

In dieser Arbeit werden drei Vorgehensmodelle für den Einsatz der zentralen
Methoden des maschinellen Lernens - überwachtes Lernen, nicht überwachtes Lernen
und verstärkendes Lernen - in der Funktionsentwicklung von hybriden
Fahrzeuggetrieben am Beispiel des Doppelkupplungsgetriebes erarbeitet.
Zunächst werden auf Basis von Experteninterviews und einer Systemanalyse die
Herausforderungen in der Funktionsentwicklung von parallelen hybriden
Fahrzeuggetrieben abgeleitet. Die Herausforderungen umfassen die Fahrfunktionen
Motorwiederstart, hybrides Anfahren sowie die hohe Komplexität des Antriebsstrangs,
... mehr
die zu einer komplexen Auslegung der Steuerung und Regelung sowie der
Modellierung von virtuellen Sensoren führt.
Für die Methodenentwicklung werden die drei zentralen Methoden des maschinellen
Lernens an den Kontext der Funktionsentwicklung paralleler hybrider
Fahrzeuggetriebe adaptiert und daraus drei konkrete Vorgehensmodelle abgeleitet.
Alle drei Methoden bieten die Vorteile der Automatisierung, Skalierbarkeit und
einfachen Implementierung bei gleichzeitig hoher Funktionalität durch vordefinierte
Bibliotheken der Programmiersprache Python.
Die drei Methoden werden jeweils an einer praxisrelevanten Entwicklungsaufgabe der
Mercedes-Benz Group AG evaluiert. Mit Hilfe der Methode überwachtes Lernen
werden verschiedene Kupplungstemperaturmodelle eines Hybridgetriebes auf Basis
von Fahrzeugmessdaten modelliert. Die Abbildungsgüte wird gegenüber den derzeit
verwendeten Modellen um bis 15,5 % zu 22,5 % verbessert bei nur 30 % bzw. 61 %
der Modellparameter. Die Methode des verstärkenden Lernens wird auf den
Kupplungsfüllvorgang angewendet. Die Zielgröße Druckeinbruch konnte mit einer
parameterfreien Ansteuerung um bis zu 86 % bei gleicher Füllzeit im Vergleich zur
Ansteuerung eines Entwickelnden reduziert werden. Die Methode des nicht
überwachten Lernens identifiziert aus 278 detektierten Motorstarts vier Motorstart-
Cluster und charakterisiert diese über Kennzahlen. Darüber hinaus identifiziert die
Methode Verbesserungspotentiale der Applikation und kann somit
Entwicklungspotentiale aufzeigen.
Um die Anwendbarkeit der entwickelten Methoden in der Praxis zu untersuchen,
werden drei Studien in der Forschungsumgebung durchgeführt. Zwei Methoden
werden anhand einer Befragungsstudie evaluiert, für die Methode des überwachten
Lernens wird eine Anwenderstudie mit einem Software-Tool vorgenommen. Alle drei
Studien bestätigen das Methodenverständnis und die Methodenakzeptanz und zeigen
einzelne Verbesserungspotentiale auf.

In this work, three process models for the application of central machine learning
methods - supervised learning, unsupervised learning and reinforcement learning - are
developed in the function development of hybrid vehicle transmissions using the
example of the dual clutch transmission.
First, the challenges in the function development of parallel hybrid vehicle
transmissions are derived based on a literature review and a system analysis. The
challenges can be related to the driving functions engine restart, hybrid start-up as well
as the high complexity of the powertrain, which leads to a complex design of the control
... mehr
system and modelling of sensor models.
For method development, the already existing machine learning methods from the
state of the art are supplemented with concrete procedure models and a description
of the selection of complex algorithms and optimization procedures for implementing
the methods. All three methods presented can be described via the extended ZHO
triple of product development. Furthermore, they offer the common advantages of
automation, scaling and ease of implementation while providing high functionality
through predefined libraries of the Python programming language.
The three methods are evaluated using a practical development example from
Mercedes-Benz Group AG. With the help of the supervised learning method, different
clutch temperature models of a hybrid transmission are modelled based on vehicle
measurement data. The mapping quality is improved by up to 15,5 % to 22,5 % with
30 % to 61 % of the model parameters compared to currently used models. The
reinforcement learning method is applied to the clutch filling process. The target value
of pressure drop could be reduced by up to 86 % with parameter-free control while
maintaining the same filling time compared to the control of a developer. The
unsupervised learning method successfully identifies four motor start classes from 278
detected motor starts and characterizes them via key figures. Furthermore, the method
identifies potential for improvement of the application and can thus show development
potentials.
To investigate the applicability of the developed methods in practice, three studies are
carried out in the research environment. Two methods are evaluated based on a
survey study, for the method of supervised learning a user study is carried out with a
software tool. All three studies confirm the understanding and acceptance of methods
and show individual potential for improvement.