nach oben

Erschienen in:

2021 | OriginalPaper | Buchkapitel

Active Output Selection for an HEV Boost Maneuver

verfasst von : Adrian Prochaska, Julien Pillas, Bernard Bäker

Erschienen in: 21. Internationales Stuttgarter Symposium

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

This paper presents the first real world application of an active output selection strategy, which selects the leading model based on a normalized model quality criterion. The strategy is compared to two other baselines. The algorithm identifies three models of static criteria, which are used for the drivability calibration of the boost maneuver of an 48V HEV. The driving maneuvers are conducted on a powertrain test bench. To validate the results, the experiments were conducted for multiple times. The results confirm analyses on generic toy examples, which indicated great advantages of this learning strategy. In this application example, the strategy saves an amount of 20–65% measurements, depending on which baseline is referenced.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel AI-Based Diagnostic Tool for Offline Evaluation of Measurement Data on Test Benches

Nächstes Kapitel ZF Vision EVplus – the New Definition of Plugin Hybrids

Prochaska, A., Pillas, J., Bäker, B.: Active Output SelectionStrategies for Multiple Learning Regression Models. arXiv:201114307 [cs] (2020)

Prochaska, A., Pillas, J., Bäker B.: Improved active output selection strategy for noisy environments. arXiv:210103499 [cs, stat] (2021)

Cohn, D.A.: Neural network exploration using optimal experiment design. Neural Networks 9(6), 1071–1083 (1996). https://doi.org/10.1016/0893-6080(95)00137-9CrossRef

Settles, B.: Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin-Madison (2009)

Sugiyama, M., Rubens, N.: Active Learning with Model Selection in Linear Regression. In: Proceedings of the 2008 SIAM International Conference on Data Mining, Society for Industrial and Applied Mathematics, pp 518–529, 10.1137/1.9781611972788.47 (2008)

Cai, W., Zhang, Y., Zhou, J.: Maximizing Expected Model Change for Active Learning in Regression. In: 2013 IEEE 13th International Conference on Data Mining, IEEE, Dallas, TX, USA, pp 51–60, 10.1109/ICDM.2013.104 (2013)

Zhang, Y., Hoang, T.N., Low, K.H., Kankanhalli, M.: Near-optimal active learning of multi-output Gaussian processes. In: Thirtieth AAAI Conference on Artificial Intelligence (2016)

Cai, W., Zhang, M., Zhang, Y.: Batch mode active learning for regression with expected model change. IEEE Transactions on Neural Networks and Learning Systems 28(7), 1668–1681 (2017). https://doi.org/10.1109/TNNLS.2016.2542184MathSciNetCrossRef

Park, S.H., Kim, S.B.: Robust expected model change for active learning in regression. Applied Intelligence 50(2), 296–313 (2020). https://doi.org/10.1007/s10489-019-01519-zCrossRef

10.

Nelles, O.: Axes-oblique partitioning strategies for local model networks. In: 2006 IEEE Conference on Computer Aided Control System Design, 2006 IEEE International Conference on Control Applications, 2006 IEEE International Symposium on Intelligent Control, IEEE, Munich, Germany, pp 2378–2383, 10.1109/CACSD-CCA-ISIC.2006.4777012 (2006)

11.

Hartmann, B., Nelles, O.: Adaptive Test Planning for the Calibration of Combustion Engines – Methodology. Design of Experiments (DoE) in Engine Development pp 1–16 (2013)

12.

Klein, P., Kirschbaum, F., Hartmann, B., Bogachik, Y., Nelles, O.: Adaptive Test Planning for the Calibration of Combustion Engines – Application. Design of Experiments (DoE) in Engine Development pp 17–30 (2013)

13.

Dursun, Y., Kirschbaum, F., Jakobi, R., Gebhardt, A., Goos, J.C., Rinderknecht, S.: Ansatz zur adaptiven Versuchsplanung für die Längsdynamikapplikation von Fahrzeugen auf Prüfständen. In: 6. Internationales Symposium für Entwicklungsmethodik (2015)

14.

Reichart, R., Tomanek, K., Hahn, U., Rappoport, A.: Multi-task active learning for linguistic annotations. In: Proceedings of ACL-08: HLT, pp 861–869 (2008)

15.

MacKay, D.J.C.: Information-based objective functions for active data selection. Neural Computation 4(4), 590–604 (1992). https://doi.org/10.1162/neco.1992.4.4.590CrossRef

16.

Lüpkes, K., Pillas, J., Pätzold, R., Kirschbaum, F., Bäker, B.: Fahrleistungsoptimale Ansteuerung einer elektrischen Maschine und eines elektrischen Verdichters auf 48 V Spannungslage. Bamberg (2017)

Titel: Active Output Selection for an HEV Boost Maneuver
verfasst von: Adrian Prochaska
Julien Pillas
Bernard Bäker
Verlag: Springer Fachmedien Wiesbaden
Buch: 21. Internationales Stuttgarter Symposium
Print ISBN: 978-3-658-33520-5

Electronic ISBN: 978-3-658-33521-2

Copyright-Jahr: 2021
DOI: https://doi.org/10.1007/978-3-658-33521-2_16