Zusammenfassung
Zur Erfüllung zukünftiger Abgasemissionsgesetzgebungen für die Individualmobilität und im Nutzfahrzeugbereich bedarf es immer besserer Konvertierungsleistungen der Abgaskatalysatoren und Filter, sowie der Abgaskonformität bei deutlich gesteigerten Laufleistungen. Die zunehmende Elektrifizierung, auch im Nutzfahrzeugbereich, erhöht die Komplexität der Abgasnachbehandlungssysteme und Betriebsstrategien und erschwert die Prädiktionsgenauigkeit von Alterungseffekten der Katalysatoren. Die sensorische Erfassung der Alterung der Katalysatoren, zur Sicherstellung von Niedrigstemissionen im gesamten Fahrbetrieb, ist ohne hochpräzise Messtechnik jedoch nicht möglich, sodass auf modelbasierte Ansätze zurückgegriffen werden muss. In diesem Beitrag wird das methodische Vorgehen zur Entwicklung einer fahrzeugunabhängigen, modellbasierten Prädiktion der Alterung von Abgasnachbehandlungssystemen dargestellt. Das Modell beruht auf dem Ansatz einer datengetriebenen KI, für deren Erstellung Messdaten einer diversen Fahrzeugflotte verwendet und analytisch aufbereitet werden.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Demel, P, Beidl, C.: CO2 neutral fuels in series engines – Demonstration of the potential of OME with regard to efficiency and ultra-low emissions. In: SAE Technical Paper Series, 2021-24-0061, Capri, SAE International, 15th International Conference on Engines & Vehicles, Capri, 12–16 September 2021, ISSN 0148-7191, e-ISSN 2688-3627 (2021)
EUROPEAN COMMISSION Brussels, 10.11.2022 COM.: 586 final, ANNEXES 1 to 6 ANNEXES to the proposal for a regulation of the European parliament and the council on type-approval of motor vehicles and engines and of systems, components and separate technical units intended for such vehicles, with respect to their emissions and battery durability (Euro 7) and repealing Regulations (EC) No 715/2007 and (EC) No 595/2009 (2022)
Conin, M., Knaf, D., Beidl, C., Hipp, J., Keck, M., Hohenberg, G., Kreuz, J., Goebel, U.G., B. (Hrsg): 48 V Pre-Turbo-DeNOX-system for lowest urban emissions. In: Proceedings of the International Vienna Motor Symposium 2021, 29.04.2021–30.04.2021, Wien, Österreichischer Verein für Kraftfahrzeugtechnik (ÖVK), 42. Internationales Wiener Motorensymposium, virtual Conference, 29.-30.04.2021, ISBN 978-3-9504969-0-1 (2021)
Hummel, N., Pohl, N., Beidl, C.: Assessment of the catalyst state during real life use. In: Liebl, J. (Hrsg.) Heavy-duty-, on- und off-highway-Motoren 2020. Proceedings. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-34362-0_18 (2021)
Xu, Z., Huang, G., Weinberger, K.Q., Zheng, A.X.: Gradient boosted feature selection. In: Macskassy, S., Perlich, C., Leskovec, J., Wang, W., Ghani, R. (Hrsg.) Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. KDD '14: The 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York New York USA, 24.08.2014 27.08.2014. New York, NY: ACM, S. 522–531 (2014)
Malek, S., Melgani, F., Bazi, Y.: One-dimensional convolutional neural networks for spectroscopic signal regression. J. Chemom. 32, e2977 (2018). https://doi.org/10.1002/cem.2977
https://medium.com/swlh/gradient-boosting-trees-for-classification-a-beginners-guide-596b594a14ea. Gradient boosting trees for classification: a beginner’s guide (2020)
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2023 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this paper
Cite this paper
Conin, M. et al. (2023). Entwicklung eines KI-Modells zur Prädiktion von Alterungseffekten an Emissionsminderungssystemen. In: Heintzel, A. (eds) Experten-Forum Powertrain: Komponenten und Kompetenzen zukünftiger Antriebe 2022. EFPWRT 2022. Proceedings. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-42940-9_10
Download citation
DOI: https://doi.org/10.1007/978-3-658-42940-9_10
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-42939-3
Online ISBN: 978-3-658-42940-9
eBook Packages: Computer Science and Engineering (German Language)