Ein wichtiger Bestandteil bei der Entwicklung komplexer Sensorsysteme ist die Modellbildung im Zusammenhang mit der Systemsimulation. Um mit der steigenden Komplexität solcher Systeme umzugehen, müssen neue Techniken und Entwurfsmethoden entstehen, die eine Systemsimulation vereinfachen, beschleunigen und effizienter machen. Dieser Beitrag behandelt dynamische Neuro-Fuzzy-Modelle, die bei der Identifikation von Analogsystemen im Bereich der Automobilelektronik zum Einsatz kommen. Eine Zustandsraumbeschreibung, erweitert um einen Simulated-Annealing-Algorithmus zur Polstellenbestimmung, stellt ein automatisch zu parametrisierendes Identifikationssystem dar, dessen Leistung an zwei realen Praxisbeispielen aus der Automobilelektronik verdeutlicht wurde. Die Neuro-Fuzzy-Modelle, die durch diese Identifikationsmethode automatisch generiert wurden, lassen sich anschließend in Blockschaltbilder für Simulink umwandeln. Es können sowohl Gesamtsysteme als auch Teilsysteme identifiziert werden. Durch den Einsatz von dynamischen Neuro-Fuzzy-Modellen konnte nachgewiesen werden, dass die Simulationszeiten einer an Matlab gekoppelten Saber/Simulink Co-Simulation gegenüber einer reinen Matlab/Simulink Simulation um ein vielfaches (>31x) reduziert werden können. Bei den Simulationen wurde stets eine Genauigkeit erreicht, die im vorgegebenen Toleranzbereich liegt.
Identifikationsmethode zur Reduktion von Simulationszeiten komplexer Analogsysteme
2003
8 Seiten, 8 Bilder, 7 Quellen
Aufsatz (Konferenz)
Deutsch
Sequenzanlieferung komplexer Fahrwerkssysteme
Tema Archiv | 1997
|Qualitätsdimensionen komplexer Dienstleistungen
IuD Bahn | 1997
|Diagnose komplexer Fahrzeugnetze
British Library Conference Proceedings | 2003
|Oberflächenprüfung komplexer Gussteile
Tema Archiv | 2009
|