Advertisement

Simulation und Auslegung

  • Dieter KraftEmail author
  • Thomas Huber
  • Sandra Sterzing-Oppel
Chapter
  • 15k Downloads
Part of the ATZ/MTZ-Fachbuch book series (ATZMTZ)

Zusammenfassung

Die komplexe Entwicklungsaufgabe der Auslegung eines Hybridantriebes mit einer Vielzahl von Wechselwirkungen und Abhängigkeiten kann mit modellgestützten Entwicklungsmethoden beherrscht werden. Abbildung 5.1 zeigt die unterschiedlichen Komponenten des Hybridantriebsstranges und verdeutlicht die Abhängigkeiten. Spannungslage und Maximalstrom der Batterie beeinflussen direkt die mögliche mechanische Abgabeleistung der elektrischen Maschine. Für eine optimale Leistung müssen diese beiden Komponenten aufeinander abgestimmt werden. Die Größe der elektrischen Maschine wiederum entscheidet über ein mögliches Downsizing des Verbrennungsmotors. Nicht zuletzt bestimmen die einzelnen Komponenten und deren aktueller Zustand über den möglichen Einsatz im Fahrbetrieb.

Eine übergeordnete Steuerung entscheidet aus den an sie gemeldeten aktuellen Zuständen und den Betriebsgrenzen der Komponenten, wie diese zum aktuellen Zeitpunkt eingesetzt werden. Die optimale Auslegung der Komponenten und deren bestmögliche Ausnutzung im Betrieb bestimmen damit letztlich das nutzbare Verbrauchseinsparpotential eines Hybridfahrzeugs.

Literatur

  1. [AG09]
    Ambühl D., Guzella L.: Predictive Reference Signal Generator for Hybrid Electric Vehicles. IEEE Transactions on vehicular technology, accepted for publicationGoogle Scholar
  2. [Akao04]
    Akao, Y., King, B.: Quality Function Deployment: Integrating Customer Requirements into Product Design. Productivity Press, New York (2004)Google Scholar
  3. [Ambühl09]
    Ambühl D.: Energy Management Strategies for Hybrid Electric Vehicles. Dissertation, ETH Zürich (2009)Google Scholar
  4. [Ambühl07]
    Ambühl D., Sciaretta A., Onder C., Guzella L., Sterzing S., Mann K., Kraft D., Küsell M.: A Causal Operation Strategy for Hybrid Electric Vehicles based on Optimal Control Theory. In: Braunschweiger Symposium 2007 – Hybridfahrzeuge und Energiemanagement (2007)Google Scholar
  5. [Back05]
    Back M.: Prädiktive Antriebsregelung zum energieoptimalen Betrieb von Hybridfahrzeugen, Dissertation, Universität Karlsruhe, Fakultät für Elektrotechnik und Informationstechnik (2005)Google Scholar
  6. [Fried04]
    Fried O.: Betriebsstrategie für einen Minimalhybrid-Antriebsstrang. Dissertation, Universität Stuttgart, Shaker Verlag (2004)Google Scholar
  7. [Halog02]
    Halog A.: Selection of Sustainable Product Improvement Alternatives. Dissertation, Universität Fridericiana Karlsruhe, Fakultät für Wirtschaftswissenschaften (2002)Google Scholar
  8. [Johannesson05]
    Johannesson L., Åsbogård M., Egardt B.: Assessing the Potential of Predictive Control for Hybrid Vehicle Powertrains using Stochatic Dynamic Programming, Proceedings of the 8th International IEEE Conference on Intelligent Transportation Systems Vienna, Austria, Sept. 13–16 (2005)Google Scholar
  9. [Kleimaier04]
    Kleimaier A.: Optimale Betriebsführung von Hybridfahrzeugen. Dissertation, Technische Universität München (2004)Google Scholar
  10. [Kraft06]
    Kraft D., Mann K., Sterzing S., Richter B., Huber T., Schuler R., Tellermann U.: Modellgestütze Entwicklung von Komponenten für elektrische Hybridfahrzeuge. In: AUTOREG – Steuerung und Regelung von Fahrzeugen und Motoren, Wiesloch, 7.–8. März (2006)Google Scholar
  11. [Kruse07]
    Kruse T., Ulmer H., Schulmeister U.: „Use of Advanced Modelling and Optimization for Diesel- and Gasoline Engine Calibration“, 4. Tagung „Design of Experiments (DoE) in der Motorenentwicklung – DoE und andere moderne Entwicklungsmethoden“, Berlin (2007)Google Scholar
  12. [Lasa00]
    Lasa M., Becker U., Heinkel H.-M., Rothfuß R.: Modeling of an injection valve from 3D to real time, Proc.: 1st IFAC Conference on Mechatronic Systems Darmstadt (2000)Google Scholar
  13. [Nelles01]
    Nelles O., Nonlinear System Identification. Springer-Verlag, 2001Google Scholar
  14. [Rasmussen06]
    Rasmussen C.E., Williams C.K.I.: Gaussian Processes for Machine Learning. MIT Press (2006)Google Scholar
  15. [Saaty77]
    Saaty, T.L.: A Scaling Method for Priorities in Hierarchial Structures. Journal of Mathematical Psychology 15, 234–281 (1977)MathSciNetzbMATHCrossRefGoogle Scholar
  16. [Saaty80]
    Saaty T.L.: The Analytic Hierarchy Process. McGraw-Hill Inc. (1980)Google Scholar
  17. [Sciaretta07]
    Sciaretta, A., Guzella, L.: Control of Hybrid Electric Vehicles – A Survey of Optimal Energy-Management Strategies. IEEE Control Systems Magazine 27, 60–70 (2007)CrossRefGoogle Scholar
  18. [Tellermann09]
    Tellermann U.: Systemorientierte Optimierung integrierter Hybridmodule für Parallelhybridantriebe. Dissertation, Technische Universität Braunschweig (2009)Google Scholar

Copyright information

© Vieweg+Teubner Verlag | Springer Fachmedien Wiesbaden 2012

Authors and Affiliations

  • Dieter Kraft
    • 1
    Email author
  • Thomas Huber
    • 1
  • Sandra Sterzing-Oppel
    • 1
  1. 1.WiesbadenDeutschland

Personalised recommendations