Eine konstruktionsmethodische Vorgehensweise für die CAD-Konstruktion im Kraftfahrzeugwesen wird vorgestellt. Am Beispiel der Entwicklung eines Türscharniers für eine Fahrzeugtür wird die Suche nach Konstruktionsparametern und deren Parameterreduktion für die Modellierung (Türkinematik, Türachslage, Drehmoment, Schwenkmoment, Werkstoffeinfluß, Oberflächenbeschaffenheit, Pressung, Schwergängigkeit) dargestellt. Für die modelltechnische Definition des radialen Schwenkmomentes wurde eine Systematik erstellt und anhand verschiedener Variationsparameter umfangreiche Versuchsdaten durchgerechnet. Für die Analyse dieser Versuchsdaten wurde die physikalisch-mathematische Modellierung der statistischen (lineare Regression, nichtlineare Regression) gegenübergestellt. Für den Aufbau eines statistischen Scharniermodells wird die Methode der künstlichen neuronalen Netze (KNN) verwendet. Mit dem neuronalen Regressionsmodell sind die Parameter modellierbar. Durch die iterative Anwendung von Modellschätzung und dem Vergleich mit den realen Meßdaten 'lernt' das Neuromodell das 'Verhalten' des Scharniers. Als KNN-Techniken wurden Backpropagation und Radiale-Basis-Funktionen-Netze (RFB-Netze) mit Vorwärtregelungsstruktur verwendet. Die Auswertungen für die Parameteroptimierung werden mit 'What-if-Analysen', Sensitivitätsanalysen und Signifikanzanalysen vorgenommen. Als Ergebnis steht eine 'robuste', also stabile und fehlertolerante Konstruktionslösung zur Verfügung. Das beschriebene Verfahren ist auf andere Technikbereiche übertragbar.
Neue Möglichkeiten zur Simulation von Schwenkmomenten an Automobiltürscharnieren mit Neuronalen Netzen
Automobiltechnische Zeitschrift - ATZ ; 101 , 4 ; 238-246
1999
8 Seiten, 9 Bilder, 3 Tabellen, 12 Quellen
Article (Journal)
German
Automotive engineering | 1999
|Automatische Schiffsidentifikation mit Neuronalen Netzen
SLUB | 1996
|Modernes Motormanagement mit neuronalen Netzen
TIBKAT | 1998
|Wertorientiertes Risikocontrolling mit Künstlichen Neuronalen Netzen
IuD Bahn | 2003
|