Model-based Calibration of Engine Control Units Using Gaussian Process Regression

Reducing the number of tests on vehicles is one of the most important requirements for increasing cost efficiency in the calibration process of engine control units (ECU). Here, employing virtual vehicles for a model-based calibration of ECUs is essential. Modelling components for virtual vehicles can be a tedious and time-consuming task. In this context, data-based modelling techniques can be an attractive alternative to physical models to increase efficiency in the modelling process. Data-based models can incorporate unknown nonlinearities encoded in the sampled data, resulting in more accurate models in practice. In combination with automated measurement, data-based modelling can help to significantly accelerate the calibration process. Furthermore, the fast simulation speed of the resulting models allows their implementation into real-time simulation environments, such as Hardware-in-the-Loop (HiL) systems, and thus enables a model-based calibration of the related ECU software function. However, generating appropriate data for learning dynamic models, i.e., the transient Design of Experiments (DoE), is not straightforward, since system boundaries and permissible excitation frequencies are not known beforehand. Thus the training data of the system measurement will be inconsistent and the main challenge of the identification process is to deal with this data to achieve a globally valid model. Furthermore, when dealing with dynamic systems in an automotive context, the Engine Control Unit typically changes operating modes while driving. Thus nonlinearities and changes of physical structures appear, which need to be considered in the model. In this thesis, a modelling system called the Local Gaussian Process Regression (LGPR), is used and adapted in order to receive a flexible modelling approach, which allows an iterative modelling process and obtains robust and globally valid dynamic models. The adapted LGPR approach is employed for the ECU calibration of dynamical automotive systems, which is critical regarding system excitation. Using LGPR, it is possible to measure the system iteratively while exploring the relevant state-space regions and improving the quality of the model step by step. The results show that LGPR is beneficial for iterative modelling of dynamical systems. Compared to the traditional Gaussian Process Regression (GPR) modelling approach, LGPR yields better results regarding the variable system dynamics.

Die Reduktion von Versuchsträgern ist eine der wichtigsten Anforderung zur Steigerung der Kosteneffizienz im Applikationsprozess (Kalibrierprozess) von Motorsteuergeräten (ECU). Durch Bereitstellung virtueller Fahrzeuge kann die Applikation der ECU modellbasiert erfolgen. Die Erstellung der einzelnen Modelle kann sich als schwierig und zeitaufwendig erweisen, wodurch sich datenbasierte Modellierungsmethoden als vielversprechende Alternative anbieten. Daten-basierte Modelle sind in der Lage, Nichtlinearitäten anhand der Systemvermessung zu berücksichtigen, wodurch erfahrungsgemäß exakte Modelle erstellt werden können. In Kombination mit einer autmatisierten Systemvermessung kann die datenbasierte Modellierung zu einer signifikanten Beschleunigung des Applikationsprozesses führen. Weiterhin ermöglicht die schnelle Simulation dieser Modelle eine Implementierung in eine Echtzeit Simulationsumgebung, wie Hardware-in-the-Loop (HiL) Systeme, und somit eine modellbasierte Applikation der zugehöhrigen Steuergerätefunktionen an diesen Systemen. Die Herausforderung dieser Modellbildung besteht in der Erzeugung angemessener Daten, insbesondere bei dynamischen Systemen. Die Versuchsplanung zur Erzeugung angemessener Daten stellt sich als schwierig heraus, insbesondere da Systemgrenzen und zulässige Anregungsfrequenzen über das System nicht vorhanden sind. Bei der Identifikation dynamischer Systeme ist es somit die Herausforderung, inkonsistente Daten zu handhaben und dennoch ein global valides Modell zu erzeugen. Eine weitere Anforderung im automotiven Zusammenhang besteht im Auftreten von Betriebsartenumschaltungen des Motorsteuergerätes, wodurch neben Nichtlinearitäten auch Änderungen des physikalischen Systems auftreten können. Auch diese Effekte müssen berücksichtigt werden. In dieser Arbeit wird ein Modellierungsansatz verwendet, der sich Lokale Gaußprozess Regression (LGPR) nennt. Eine Erweiterung dieses Ansatzes ermöglicht eine flexible und iterative Modellbildung, um robuste und valide dynamische Modelle zu erzeugen. Die angepasste LGPR kann für die ECU Applikation von dynamischen automotiven Systemen eingesetzt werden, welche kritisch in Bezug auf die Anregung sind. Unter Vewendung von LGPR ist es möglich, das System iterativ zu vermessen während die relevanten Zustandsraumregionen Schritt für Schritt erfasst werden und dadruch das Modell kontinuierlich verbessert wird. Die Ergebnisse zeigen, dass LGPR vorteilhaft für die iterative Modellbildung dynamischer Systeme ist. Im Vergleich zur Standard Gaußprozess Regression (GPR) führt LGPR zu besseren Ergebnissen hinsichtlich variablen Systemdynamiken.