Die weiter voranschreitende Diversifizierung in den Auslegungen der Antriebsstränge erfordert für eine effiziente Abstimmung den intensiven Einsatz der modellbasierten Kalibrierung. Auf der einen Seite werden durch Standardisierung der Antriebsmotoren die Antriebsstränge von der Kompaktklasse bis zur Oberklasse eingesetzt, wobei mit fahrzeugspezifischen Auslegungen vorhandene Potentiale erschlossen werden. Auf der anderen Seite entsteht durch die Möglichkeiten der Individualisierung der Fahrzeugcharakteristik eine Vielzahl von Applikationsaufgaben des Antriebsstranges bezüglich einer ökonomischen, sportlichen oder komfortablen Abstimmung. Aufgrund der komplexen Antriebsstrangsysteme bieten messdatenbasierte Motormodelle die größten Potentiale für eine bestmögliche und dennoch effiziente Abstimmung hinsichtlich multikriterieller Optimierungsziele. Für den breiten Einsatz modellbasierter Verfahren in der Motorentwicklung und Applikation müssen die verwendeten Modellierverfahren zwei Voraussetzungen erfüllen: Erstens müssen die Modelle eine sehr hohe Genauigkeit aufweisen und zweitens muss die Modellerstellung durch den Applikationsingenieur selber mit geringem Aufwand und robust durchführbar sein. Bisher häufig verwendete polynomiale Modelle oder neuronale Netze erfordern jedoch einen sehr hohen Parametrieraufwand durch einen Modellierexperten um eine ausreichende Genauigkeit zu erreichen. Dies hat die Verbreitung modelbasierter Verfahren in der Applikation bisher stark einschränkt. Einen neuen Ansatz bieten hier statistische Lernverfahren auf Basis sogenannter Gaußprozesse, welche nach wahrscheinlichkeitstheoretischen Ansätzen aus einem vollständigen Funktionenraum diejenige Funktion bestimmen, die das Motorverhalten mit der höchsten Wahrscheinlichkeit wiedergeben. Die Modellerstellung erfolgt hierbei automatisiert. Weiterhin können auch stark nichtlineare Abhängigkeiten, wie z.B. das globale Motorverhalten in einem weiten Betriebsbereich, sehr genau abgebildet werden. Eine Bewertung dieses Verfahrens hinsichtlich der Kriterien Modelgüte und Optimierergebnis im Vergleich zu bekannten Ansätzen wird vorgestellt. Weiterhin wird der erfolgreiche Einsatz in der Applikation am Beispiel der Verbrauchs- und Emissionsoptimierung eines Dieselmotors gezeigt.

    The continuing diversification in the layout of powertrains demands the intensified use of model-based methods for efficient calibration. On the one hand as a result of the standardisation of engines, the powertrains are used from the compact class through to the premium class, with vehicle-specific configurations being used to develop existing potential. On the other hand, the opportunities to customise the vehicle characteristics result in a large number of calibration tasks for the powertrain with regard to economical, sporty or comfortable tuning. The demands placed on calibration also cover the critical area of the legal requirements in terms of emissions and fuel consumption, and the associated increase in the number of engine parameters. As a result of the complexity of the drivetrain systems, measurement data-based engine models offer the greatest potential for optimum and yet efficient tuning with regard to all the optimisation goals, which are frequently based on multiple criteria. For the widespread use of model-based processes in engine development and calibration, the modelling processes which are used must satisfy two conditions: Firstly the models must be extremely accurate and secondly their creation by the calibration engineer him/herself must be possible with minimal effort and good reliability. However, polynomial models or neural networks frequently used in the past require a lot of effort on the part of a modelling expert to produce the parameters and achieve a sufficient level of accuracy. This has to date seriously restricted the spread of model-based processes in the field of calibration. A new approach is offered by statistical learning processes based on what are known as Gaussian processes, following probability theory-related approaches to determine from a complete range of functions the particular function that with greatest probability reproduces the behaviour of the engine. In this case model creation is automatic. Furthermore, even significantly non-linear interdependences such as the global engine behaviour over a wide operating range can be precisely mapped. The article shows an evaluation of this process with regard to mode/ quality and optimisation out-comes in comparison with familiar approaches. Furthermore the successful use of the tool is demonstrated in an example of fuel consumption and emissions optimisation in a diesel engine.


    Access

    Access via TIB

    Check availability in my library

    Order at Subito €


    Export, share and cite



    Title :

    Neue Verfahren zur effizienten modellbasierten Motorapplikation


    Additional title:

    New processes for efficient, model-based engine calibration


    Contributors:
    Klar, H. (author) / Klages, B. (author) / Gundel, D. (author) / Kruse, T. (author) / Huber, T. (author) / Ulmer, H. (author)


    Publication date :

    2013


    Size :

    8 Seiten, 7 Bilder, 8 Quellen



    Type of media :

    Conference paper


    Type of material :

    Print


    Language :

    German , English




    Modellbasierte Motorapplikation - eine Herausforderung fuer die Lehre

    Ihme-Schramm,H. / Hochsch.f.Angewandte Wissenschaften,Hamburg,DE | Automotive engineering | 2014


    Neue Verfahren zur effizienten antriebsstrangspezifischen RDE-Entwicklung

    Schmidt, Deborah / Maschmeyer, Hauke / Prof. Dr. techn. Beidl, Christian et al. | Springer Verlag | 2017


    Verfahren und Vorrichtung zur modellbasierten Analyse

    ADEE AHMAD / SCHWEIZER MARKUS / GANSCH ROMAN et al. | European Patent Office | 2021

    Free access

    Verfahren zu einer modellbasierten Fusion verschiedener Sensormodalitäten

    HAAG STEFAN / DURAISAMY BHARANIDHAR / GEISS FLORIAN et al. | European Patent Office | 2023

    Free access

    Neue Methode zur Parameteridentifikation in der modellbasierten Fahrbarkeitskalibrierung

    Goos,J.C. / Dursun,Y. / Kirschbaum,F. et al. | Automotive engineering | 2015