Advertisement

Notwendigkeit von Optimierungsstrategien

Chapter
  • 7.3k Downloads
Part of the ATZ/MTZ-Fachbuch book series (ATZMTZ)

Zusammenfassung

Fasst man die vorangegangenen Kapitel aus Technologiesicht zusammen, so haben verbrennungsmotorische Antriebe gerade in den letzten Jahren signifikante Verbesserungen insbesondere in ihrem Verbrauchs‐ und Emissionsverhalten erfahren. Ausschlaggebend dafür sind neben dem besseren Verständnis innermotorischer Vorgänge v. a. die intelligenten Steuer‐ und Regelsysteme, die neue Technologien ermöglichen und weitere Optimierungspotenziale erschließen. Beispielsweise erlauben Technologien wie variables Kompressionsverhältnis, variabler Ventilhub oder auch ND‐EGR eine weitere Absenkung der Rohemissionen bei gleichzeitiger Verbesserung des Kraftstoffverbrauchs – sofern die Abstimmung gut gemacht ist. Damit verbunden ist die große Herausforderung einer zunehmenden Komplexität in der Entwicklung, die in besonderem Maß für Fahrzeugmotoren gilt, aber letztlich für alle Antriebssysteme einen Schlüsselaspekt darstellt. Dementsprechend kann eine Entwicklung nur dann erfolgreich durchgeführt werden, wenn eine systematische Vorgehensweise die große Zahl der Freiheitsgrade adressiert und einer gezielten Optimierung unter Berücksichtigung der Eigenschaften des Gesamtsystems zuführt.

Literatur

  1. Altenstrasser, H.: Vergleich und Anwendung von Methoden zur Identifikation von Verbrennungsmotoren und Automatikgetrieben. Dissertation. TU-Graz (2007)Google Scholar
  2. Beidl, C., Christ, C., Gschweitl, K., Koegeler, H.-M.: AVL APC – ACCELERATED POWERTRAIN CALIBRATION, Ein neues Konzept in der Versuchsmethodik. VDI Fachtagung Mess- und Versuchstechnik, Würzburg. (2003)Google Scholar
  3. Bittermann, A., Kranawetter, E., Krenn, J., Ladein, B., Ebner, T., Altenstrasser, H., Koegeler, H.-M., Gschweitl, K.: Emissionsauslegung des dieselmotorischen Fahrzeugantriebes mittels DoE und Simulationsrechnung. MTZ 6/2004 (2004)Google Scholar
  4. Castagna, E., Biondo, M., Cottrell, J., Altenstrasser, H., Beidl, C., Koegeler, H.-M., Schuch, N.: Tier-3-Motorabstimmung für unterschiedliche Fahrzeugvarianten mit globalen Modellen. MTZ 6/2007 (2007)Google Scholar
  5. Dobes, T., Kokalj, G., Rothschädl, R., Lick, P.: Zukunftsweisendes Managen von Steuergerätedaten. ATZ Elektronik 3/2007 (2007)Google Scholar
  6. Eiglmeier, C., Graf, F., Köck, K., Koegeler, H.-M.: Einfluss der Absolutgenauigkeit der Kraftstoffverbrauchsmessung auf die DoE Modellqualität und Versuchsdauer der Motoroptimierung (2004). Haus der TechnikGoogle Scholar
  7. Fortuna, T., Koegeler, H.-M., Kordon, M., Vitale, G.: DoE und darüber hinaus – Evolution des modellbasierten Entwicklungsansatzes. ATZ 02/2015 (2015)Google Scholar
  8. Haines, S.N.M., Dicken, C.S., Gallacher, A.M.: The application of an automatic calibration optimization tool to direct-injection diesels. IMechE, London. (1998)Google Scholar
  9. Hametner, C., Jakubek, S.: New concepts for the identification of dynamic Takagi-Sugeno fuzzy models. 2nd IEEE Conference on Cybernetics & Intelligent Systems. (2006)CrossRefGoogle Scholar
  10. Hametner, C., Mayr, C., Jakubek, S.: Dynamic NOx emission modelling using local model networks. Int. J. Engine Res. 1468087414523281 (2014)Google Scholar
  11. Isermann, R.: Elektronisches Management motorischer Fahrzeugantriebe; Elektronik, Modellbildung, Regelung und Diagnose für Verbrennungsmotoren, Getriebe und Elektroantriebe. Vieweg+Teubner, Wiesbaden. ISBN 978-3834808554CrossRefGoogle Scholar
  12. Jakubek, S., Hametner, C.: Identification of neurofuzzy models using gtls parameter estimation. IEEE Trans Syst Man Cybern Part B (cybernetics) 39(5), 1121–1133 (2009)CrossRefGoogle Scholar
  13. Keuth, N.: An Improved Neuro-Fuzzy Training Algorithm for Automotive Applications. PhD Thesis. TU Wien (2005)Google Scholar
  14. Kleppmann, W.: Versuchsplanung – Produkte und Prozesse optimieren. Hanser, München (2016). ISBN:9783446447165CrossRefGoogle Scholar
  15. Koch, D., Gruber-Scheikl, J., Rainer, A.: Adaptive calibration on the commercial vehicle test bed. ATZ 5 (2015)Google Scholar
  16. Koegeler, H.-M., Fuerhapter, A., Mayer, M., Gschweitl, K.: DGI-engine calibration using new methodology with CAMEO. SAE_NA Technical Paper Series 2001-01-012. (2001)CrossRefGoogle Scholar
  17. Leithgöb, R., Henzinger, F., Fuerhapter, A., Gschweitl, K., Zrim, A.: Optimization of new advanced combustion systems using real-time combustion control. SAE, Detroit. Papernumber: 2003-01-1053. (2003)CrossRefGoogle Scholar
  18. Paulweber, M., Lebert, K.: Powertrain instrumentation and test systems, chapter 5.4 data and information management. Springer, Wiesbaden (2016). ISBN 978-3319321356CrossRefGoogle Scholar
  19. Rainer, A., Koegeler, H.M.: Iterative DoE – improved emission models and better optimisation results within a shortened measurement time. Int. J. Powertrains 2017 (2017).  https://doi.org/10.1504/IJPT.2017.10003384CrossRefGoogle Scholar
  20. Yano, Y., Murakami, Y., Nakagawa, T., Yamamoto, H., Leithgöb, R.: Automatic full load optimization. Internationales Symposium für Entwicklungsmethodik, Wiesbaden. (2009)Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Technische Universität DarmstadtDarmstadtDeutschland
  2. 2.AVL LIST GmbHGrazÖsterreich

Personalised recommendations