Die gesetzten Ziele in der Klimapolitik erfordern eine zunehmende Senkung des CO2-Flottenausstoßes. Eine Möglichkeit, diese Ziele zu erreichen, ist die Elektrifizierung des Fahrzeug-Antriebsstranges bis hin zum Einsatz rein batterie-elektrisch betriebener Fahrzeuge. Durch kurze Entwicklungszeiten und steigende Systemkomplexität auf dem Gebiet der alternativen Antriebssysteme sind neue Werkzeuge gefragt, um die Auswirkungen sekundärer und tertiärer Effekte bei der Komponenten- und Maßnahmenbewertung schnell abschätzen zu können. Besonders in der frühen Entwicklungsphase, in der meist nur wenig über die Komponenten bekannt ist, stellt dies eine große Herausforderung dar. In diesem Artikel soll aufgezeigt werden, wie es dem Konzeptentwickler mit Hilfe eines Optimierungsprozesses ermöglicht wird, einen Überblick über das Potential seiner Konzeptidee und wichtige Informationen für deren Bewertung zu erhalten. Der dargestellte Optimierungsprozess durchläuft vier Phasen. In der ersten wird der Suchraum der Optimierung definiert. Während der zweiten Phase wird ein Modell gewählt oder generiert, mit dem der Energieverbrauch des Fahrzeuges ermittelt wird. Im dritten Schritt wird eine mehrkriterielle Optimierung mit Hilfe eines Genetischen Algorithmus durchgeführt, der die Pareto-Front identifiziert. Die vierte Phase umfasst das Darstellen, Auswählen und Bewerten der Ergebnisse. Der Artikel vertieft die zweite und dritte Phase. Typischerweise wird der Zyklusverbrauch in der zweiten Phase mit Hilfe einer Simulation bestimmt. Da ein Simulationsdurchlauf jedoch viel Zeit beansprucht und deshalb für eine schnelle Optimierung ungeeignet ist, wird ein Ansatz untersucht, diese Berechnung durch den Einsatz eines Künstlichen Neuronalen Netzes erheblich zu beschleunigen. Für die mehrkriterielle Optimierung mit kontinuierlichem und diskretem Suchraum wurde eine adaptive Toolbox in MATLAB implementiert. Diese ermöglicht dem Entwickler, verschiedene Evaluierungs-, Selektions-, Rekombinations- und Mutationsalgorithmen miteinander zu koppeln und individuell einzustellen. Es werden Verfahren aufgezeigt, die beim Anpassen und Einstellen des Optimierungsalgorithmus helfen, und die Funktion der Toolbox wird anhand eines Beispiels aus der Konzeptentwicklung erläutert.
Optimierung von Fahrzeugkonzepten in der frühen Entwicklungsphase mit Hilfe Genetischer Algorithmen und Künstlicher Neuronaler Netze
2011
16 Seiten, 9 Bilder, 2 Tabellen, 25 Quellen
Aufsatz (Konferenz)
Deutsch
Modellierung von Mikro-Steuerstrategien mit Hilfe künstlicher neuronaler Netze
Online Contents | 1997
|Modellierung von Mikro-Steuerstrategien mit Hilfe künstlicher neuronaler Netze
Tema Archiv | 1997
|Optimierung der Bordnetzarchitektur mit Hilfe genetischer Algorithmen
Tema Archiv | 2000
|Optimierung der Bordnetzarchitektur mit Hilfe genetischer Algorithmen
Kraftfahrwesen | 2000
|BASE | 2018
|