Die MKS-Berechnungen werden häufig angewendet bei der Untersuchung der Dynamik von Kraftfahrzeugen. Es werden dabei in aller Regel Gesamtfahrzeugmodelle eingesetzt, die nichtlineare Kraftelemente enthalten (z.B. Feder, Dämpfer, Gummilager, Reifen). Diese weisen zum Teil ein sehr komplexes Verhalten auf. Im einfachsten Fall werden diese durch Kennlinienmodelle approximiert. Der Vorteil ist dabei die einfache Handhabung im Hinblick auf Parametervariation, deren Genauigkeit ist allerdings beschränkt. Physikalische wie auch rheologische Modelle bieten dagegen eine höhere Approximationsgüte, benötigen aber eine Formulierung von entsprechenden Modellgleichungen, die unter Umständen komplexe physikalische Hintergründe haben können. Eine interessante Alternative bieten Black-Box- Modelle, die auf der Theorie der neuronalen Netze (NN) basieren. Es wurde mehrfach gezeigt, dass die NN durchaus in der Lage sind, komplexes Verhalten der Fahrwerkskomponenten sehr genau zu approximieren. Es handelt sich dabei im Grunde um eine mathematische Approximation der Messwerte, wobei die physikalischen Hintergründe weitgehend ignoriert werden. Daraus resultieren auch relativ kurze Entwicklungszeiten der Modelle. Wie sich ein NN als eine Bestandteil eines Vollfahrzeugmodells verhält wurde bisher noch nicht genau untersucht. Dies wird am Beispiel eines Stoßdämpfermodells bei einer Komfortsimulation dargestellt.
In the case of multibody simulation, the full vehicle models are commonly introduced to study the dynamic properties of vehicles. In general they include nonlinear force elements (e.g. springs, shock absorbers, rubber bearings, tyres) exhibiting relatively complex behaviour. Mostly spline functions are utilised to approximate the characteristics of these components, which enables to modify the model easily, but the accuracy of spline models is no accurate if more complicated characteristics is to approximate. On the other hand physical or even rheological model offer a high level of accuracy, however the formulation of appropriate system equation can be very difficult. An alternative approach is the black-box modelling technique based on artificial neural networks. It has been shown in various studies, that neural networks can be used to approximate nonlinear relations. Basically neural network works as a high accurate function approximation tool largely ignoring the physics governing the system. How a neural network perform being a part of a full vehicle model is shown on an example of an automotive shock absorber.
Auf neuronalen Netzen basiertes thermo-mechanisches Schwingungsdämpfermodell
2007
15 Seiten, 10 Bilder, 6 Quellen
Aufsatz (Konferenz)
Deutsch
Automatische Schiffsidentifikation mit Neuronalen Netzen
SLUB | 1996
|Modernes Motormanagement mit neuronalen Netzen
TIBKAT | 1998
|Wertorientiertes Risikocontrolling mit Künstlichen Neuronalen Netzen
IuD Bahn | 2003
|Regelung von Haertungsoefen mit Neuronalen Netzen
British Library Conference Proceedings | 1995
|Kalibrierung von Neuronalen Netzen für Detektionsmodelle
British Library Conference Proceedings | 2022
|