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.


    Zugriff

    Zugriff über TIB

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Auf neuronalen Netzen basiertes thermo-mechanisches Schwingungsdämpfermodell


    Beteiligte:
    Pracny, V. (Autor:in) / Meywerk, M. (Autor:in)


    Erscheinungsdatum :

    2007


    Format / Umfang :

    15 Seiten, 10 Bilder, 6 Quellen




    Medientyp :

    Aufsatz (Konferenz)


    Format :

    Print


    Sprache :

    Deutsch





    Modernes Motormanagement mit neuronalen Netzen

    Müller, Rainer Oskar | TIBKAT | 1998


    Kalibrierung von Neuronalen Netzen für Detektionsmodelle

    Küppers, F. / Kronenberger, J. / Haselhoff, A. et al. | British Library Conference Proceedings | 2022



    Regelung von Haertungsoefen mit Neuronalen Netzen

    Gehlen, S. / Gies, C. / Steinhoff, K. et al. | British Library Conference Proceedings | 1995