Machine Learning Based Calibration of Dual Clutch Transmissions for Optimizing the Launch Behavior of Passenger Vehicles

The drivability of a vehicle is strongly affected by its transmission. Especially dual clutch transmissions (DCT) offer the chance of a comfortable drivability through its ability of blending the torque during gear shifts from one clutch to the other (jerkless shifting). Another advantage is the higher efficiency compared to torque converters. These advantages come with the drawback of a high control effort for the clutch engagement of the two clutches. The control effort is handled with software functions (developed using model-based programming languages) deployed on the transmission control unit (TCU) with adjustable control parameters (calibration parameters). With these control parameters e.g., the driving behavior is adjustable for different vehicle, engine combinations. Calibration engineers set these parameters at different ambient conditions to comply with customer requirements in an iterative time-consuming process on costly test trips. Therefore, costs are increasing with increasing control opportunities. An approach for decreasing these costs is to automate the optimization of the calibration parameters. Several approaches have already been introduced but some suffer from lack of stability or time efficiency. Hence, to optimize these parameters the target state optimization (TSO) algorithm is illustrated where a target state is approached with a hybrid solution of reinforcement learning (RL) and supervised learning (SL) to overcome existing drawbacks. Since particularly at low speeds the transmission behavior must meet the intention of the driver (drivers tend to be more perceptive at low speeds) the control of the launch behavior is crucial and is therefore investigated in this study. The algorithm is applied in different environments e.g., in a software in the loop (SiL) environment as well as in different test vehicles to optimize the launch behavior and to verify if a deployment in existing development processes is possible. Further the application in different environments such as in different test vehicles proves the ability of the TSO algorithm to generalize.

Das Fahrverhalten eines Fahrzeugs mit Verbrennungsmotor wird stark von dessen Getriebe beeinflusst. Vor allem Doppelkupplungsgetriebe (DCT) bieten durch die Fähigkeit bei Schaltungen das Drehmoment von der aktiven Kupplung (aktueller Gang) auf die passive Kupplung (nächst höherer/kleiner Gang) zu überblenden die Möglichkeit eines komfortablen Fahrverhaltens. Mit dieser Eigenschaft lassen sich Gangwechsel ruckfrei durchführen. Ein weiterer Vorteil ist die höhere Effizienz im Vergleich zu automatisierten Getrieben mit Drehmomentwandlern. Diese Vorteile gehen mit dem Nachteil eines hohen Kalibrationsaufwands einher. Die aufwendige Regelung wird mit Softwarefunktionen (entwickelt mit modellbasierten Programmiersprachen), welche auf dem Getriebesteuergerät (TCU) ausgeführt werden realisiert. Diese Softwarefunktionen enthalten einstellbare Kalibrationsparameter. Mit diesen Kalibrationsparametern kann das Fahrverhalten für verschiedene Fahrzeug-Motoren-Kombinationen eingestellt werden. Kalibrierungsingenieure stellen diese Parameter in verschiedenen Umgebungsbedingungen unter Berücksichtigung von Kundenanforderungen ein. Dieser iterative und zeitaufwendige Prozess findet üblicherweise auf kostspieligen Fahrzeugerprobungen statt. Ein Ansatz, die entstehenden Kosten zu senken, besteht darin, die Optimierung der Kalibrierungsparameter zu automatisieren. Dazu gibt es bereits mehrere Ansätze, wobei einige allerdings sehr zeitintensiv oder Ergebnisse teilweise nicht reproduzierbar sind. Aus diesem Grund wird in dieser Arbeit der Target State Optimization (TSO) Algorithmus veranschaulicht, welcher versucht, ein vordefiniertes Ziel anzunähern. Der Algorithmus ist hierbei eine Hybridlösung aus Reinforcement Learning (RL) und Supervised Learning (SL) und versucht damit bestehende Nachteile zu überwinden. Da besonders bei niedrigen Geschwindigkeiten das Fahrverhalten dem Fahrerwunsch entsprechen sollte (Fahrer neigen dazu, bei niedrigen Geschwindigkeiten feinfühliger gegenüber Beschleunigungsänderungen zu sein), wird in dieser Arbeit die Optimierung des Anfahrvorgangs angestrebt. Dabei wird der Algorithmus in verschiedenen Testumgebungen (z.B. in einer Software-in-the-Loop-Umgebung), aber auch in verschiedenen Testfahrzeugen eingesetzt. Dabei soll ermittelt werden, ob ein Einsatz in bestehende Entwicklungsprozesse möglich ist. Durch Anwendung des Algorithmus in verschiedenen Testumgebungen und Testfahrzeugen wird die Anpassungsfähigkeit des Algorithmus auf unterschiedliche Optimierungsumgebungen gezeigt.