Diesen Artikel herunterladen - HANSER automotive

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