Abstract
This two-part article presents the model-based optimisation algorithm ”mbminimize“. It was developed in a corporate project of the University of Tübingen and the BMW Group for the purpose of optimising internal combustion engines online on the engine test bed. The first part concentrates on the basic algorithmic design, as well as on modelling, experimental design and active learning. The second part will discuss strategies for dealing with limits such as knocking.
This is a preview of subscription content, log in via an institution to check access.
Similar content being viewed by others
References
Mitterer, A.: Optimierung vielparametriger Systeme in der Antriebsentwicklung, Statistische Versuchsplanung und Künstliche Neuronale Netze in der Steuergeräteauslegung zur Motorabstimmung. Dissertation, Lehrstuhl für Meßsystem- und Sensortechnik, TU München, 2000
Schüler, M.; Hafner, M.; Isermann, R.: Einsatz schneller neuronaler Netze zur modellbasierten Optimierung von Verbrennungsmotoren. Teil 1: Modellbildung des Motor- und Abgasverhaltens. In: MTZ 61 (2000) Nr. 10, S. 704–710
Hafner, M.; Schüler, M.; Isermann, R.. Einsatz schneller neuronaler Netze zur modellbasierten Optimierung von Verbrennungsmotoren. Teil 2: Stationäre und dynamische Optimierung von Verbrauch und Emissionen. In: MTZ 61 (2000) Nr. 11, S. 2–8
Gschweitl, K.; Pfluegl, H.; Fortuna, T.; Leithgoeb, R.: Steigerung der Effizienz in der modellbasierten Motorenapplikation durch die neue CAMEO Online DoE-Toolbox. In: ATZ 103 (2001)
Bredenbeck, J.: Statistische Versuchsplanung für die Online-Optimierung von Verbrennungsmotoren. In: MTZ 60 (1999) Nr. 11, S. 740–744
MacKay, D. J. C.: A practical Bayesian framework for backpropagation networks. In: Neural Computation 4 (1992) S. 448–472
Zell, A.: Simulation Neuronaler Netze. Addison-Wesley, Bonn, 1994
Bandemer, H.; Bellmann, A.: Statistische Versuchsplanung. Teubner, 4. Auflage 1994
Cohn, D. A.: Neural network exploration using optimal experiment design. In: Jack D. Cowan, Gerald Tesauro, and Joshua Alspector, (Editoren), Advances in Neural Information Processing Systems 6 (1994), S. 679–686
Paass, G.: Query sampling for prediction and model selection. In: IPSJ Magazine 38 (1997) Nr. 7, S. 562–568
Neal, R. M.: Probabilistic inference using markov chain monte carlo methods. Technical report, Dept. of Computer Science, University of Toronto, Sep 1993. CRG-TR-93-1
Seung, H.; Opper, M.; Sompolinski, H.: Query by committee. In: Fifth Annual Workshop on Computational Learning Theory, 1992 (ACM, New York), S. 287–294
Poland, J.; Zell, A.: Different criteria for active learning in neural networks: A comparative study. In: M. Verleysen (Editor), Proceedings of the 10th European Symposium on Artificial Neural Networks (2002), S. 119–124
Knödler, K.; Poland, J.; Mitterer, A.; Zell, A.: Optimizing data measurements at test beds using multi-step genetic algorithms. In: N. Mastorakis (Editor), Advances In Fuzzy Systems and Evolutionary Computation (2001), S. 277–282
Dixon, L. C. W.; Szego, G. P.: The optimization problem: An introduction. In: Towards Global Optimization II. North Holland, 1978
Rights and permissions
About this article
Cite this article
Poland, J., Knödler, K., Fleischhauer, T. et al. Model-Based online optimisation of modern internal combustion engines. MTZ Worldw 64, 31–33 (2003). https://doi.org/10.1007/BF03227587
Issue Date:
DOI: https://doi.org/10.1007/BF03227587