Diesen Artikel herunterladen - HANSER automotive
Diesen Artikel herunterladen - HANSER automotive
Diesen Artikel herunterladen - HANSER automotive
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Entwicklungswerkzeuge<br />
Mithilfe der heute am Markt verfügbaren, leistungsfähigen<br />
Computertechnologien können physikalische<br />
Objekte und Abläufe am Rechner „virtualisiert“, das<br />
heißt realitätsgetreu abgebildet werden. Durch die Verwendung<br />
virtueller Prototypen bei der Entwicklung von komplexen<br />
Systemen lassen sich hohe Qualitäts-, Kosten- und Effizienzvorteile<br />
realisieren. Mithilfe von virtuellen Umgebungen<br />
können Fehler in sehr frühen Phasen der Produktentstehung<br />
identifiziert sowie behoben und damit Qualitätskosten signifikant<br />
reduziert werden (Bild 1).<br />
In der Softwareentwicklung, beim Test und in der Applikation<br />
elektronischer Systeme im Fahrzeug können Virtualisierungslösungen<br />
wesentlich dazu beitragen, kostspielige<br />
und zeitaufwendige Prüfstands- und Fahrversuche auf ein<br />
Minimum zu reduzieren. Mit Hilfe virtueller Steuergeräteumgebungen<br />
wie EVE, der ETAS Virtual Ecu, lassen sich Softwarekomponenten<br />
von Steuerungs-, Regelungs- und Diagnosefunktionen<br />
sowie einzelne Module der Basissoftware getrennt<br />
von der Steuergerätehardware am PC entwickeln, integrieren<br />
und testen [2].<br />
Die ETAS ASCMO-Lösung<br />
Als Pendant zu EVE bildet ETAS AscMO das Verhalten<br />
komplexer, geregelter Systeme, wie zum Beispiel von Verbrennungsmotoren,<br />
auf Basis von Messdaten, die beispielsweise<br />
am Motorprüfstand erfasst werden, in Form<br />
eines mathematischen Modells ab. Die Erstellung des Modells<br />
setzt keine besonderen mathematischen Kenntnisse<br />
des Anwenders voraus, da die eingesetzten statistischen<br />
Verfahren, im Gegensatz zu analytischen Funktionen oder<br />
neuronalen Netzen, keine Parametrierung erfordern. Es<br />
müssen lediglich die Ein- und Ausgangsgrößen der Abbildung<br />
vorgegeben werden. Anhand dieser Vorgabe wählt<br />
das Modellierwerkzeug den Teil der Messdaten aus der<br />
Gesamtmessung aus, der zur Berechnung des Verhaltens<br />
der Ausgangsgrößen in Abhängigkeit der Eingangsgrößen<br />
benötigt wird.<br />
Vom Anwender für den Anwender<br />
Bild 1: „Empirische Zehnerregel“: Mit jeder Phase, in der ein<br />
Fehler später in Bezug auf seinen Entstehungszeitpunkt<br />
entdeckt und beseitigt wird, steigen die Kosten zur Behebung<br />
des Fehlers um den Faktor 10 [1].<br />
ETAS AscMO enthält einfach zu bedienende Werkzeuge zur<br />
Modellierung, Analyse der nachgebildeten Abhängigkeiten<br />
und Optimierung der Eingangsgrößen anhand des erzeugten<br />
Modells. Zusätzlich dazu stellt es ein leistungsfähiges Werkzeug<br />
zur Versuchsplanung, dem „Design of Experiments“<br />
(DoE), zur Verfügung. Zur Darstellung der Ergebnisse der Versuchsplanung,<br />
Modellanalysen und Optimierungen bietet<br />
ETAS AscMO eine ansprechende, anwendungsorientierte<br />
grafische Oberfläche.<br />
Das Tool wurde von Ingenieuren auf der Basis praktischer<br />
Erfahrungen von Versuchen am Prüfstand und im<br />
Fahrzeug für Entwickler und Applikateure von Antriebsaggregaten<br />
entwickelt. Prototypen der Lösung wurden im Zeitraum<br />
zwischen 2004 bis 2009 von Applikationsingenieuren<br />
und Funktionsentwicklern der Robert Bosch GmbH sorgfältig<br />
erprobt. Stand heute wird ETAS AscMO von mehreren<br />
hundert Anwendern bei Bosch sowie von namhaften Fahrzeugherstellern<br />
und Zulieferern weltweit mit großem Erfolg<br />
eingesetzt [3].<br />
Verhaltensmodellierung mit<br />
statistischen Verfahren<br />
Zur Messdaten-basierten Modellierung des Verhaltens von<br />
komplexen Systemen werden im Bereich der Entwicklung<br />
und Applikation von Antriebsstrangsystemen oftmals analytische<br />
Funktionen, typischerweise Polynome, oder neuronale<br />
Netze verwendet. Die allgemeine Einsetzbarkeit dieser Verfahren<br />
ist durch verschiedene Faktoren eingeschränkt. Beispielsweise<br />
eignen sich Polynome nicht zur Modellierung<br />
von stark nichtlinearen Abhängigkeiten. Neuronale Netze eignen<br />
sich im Prinzip sehr gut zur Abbildung komplexer Zusammenhänge.<br />
Allerdings setzt ihr Einsatz, neben umfangreichen<br />
Messungen zur Modellvalidierung, spezielle mathematische<br />
Kenntnisse und Erfahrungen voraus, wenn das Verhalten<br />
von Systemen über einen weiten Betriebsbereich abgebildet<br />
und Überanpassungen vermieden werden sollen, wie<br />
zum Beispiel das Nachbilden von Messrauschen.<br />
Im Gegensatz dazu verwendet ETAS AscMO statistische<br />
Lernverfahren [4]. Dabei wird nach den Regeln bedingter<br />
Wahrscheinlichkeiten aus einem Satz vollständiger Funktionen<br />
automatisch diejenige Funktionenschar bestimmt, welche<br />
die Messdaten am wahrscheinlichsten repräsentiert. Auf<br />
der Grundlage dieser Verfahren ist es einerseits möglich,<br />
komplexe, nichtlineare Abhängigkeiten präzise abzubilden.<br />
Andererseits liefert die Berechnung des Modells per se den<br />
statistischen Fehler, der ein zuverlässiges Maß für die Modellgüte<br />
darstellt.<br />
Lückenlose Versuchsplanung<br />
Die Genauigkeit von datenbasierten Modellen wird durch die<br />
Dichte der Daten im Parameterraum bestimmt, der durch die<br />
gemessenen Größen aufgespannt wird. Um eine gleichmäßig<br />
hohe Modellgenauigkeit in Bezug auf die Gesamtmes-<br />
© Carl Hanser Verlag GmbH & Co.KG, München, www.hanser-<strong>automotive</strong>.de; Nicht zur Verfügung in Intranet- u.Internet-Angeboten oder elektron. Verteilern<br />
»<br />
www.hanser-<strong>automotive</strong>.de<br />
<strong>HANSER</strong> <strong>automotive</strong> 10 / 2013<br />
33