Verfahren zur Identifikation nichtlinearer dynamischer Getriebemodelle
Buch in deiner Nähe kaufen
Beschreibung
Immer komplexere Fahrzeuge erreichen den Kunden. Der Zielkonflikt zwischen Komfort, Sportlichkeit und geringerem Ressourcenverbrauch ist dank der Automatisierung des Triebstrangs möglich. Mit Entwicklungszyklen von ca. drei Jahren für ein Fahrzeug und einer globalen Arbeitsteilung ist die modellbasierte Entwicklung heute Stand der Technik. Die Parameter der Getriebemodelle werden aus Vorwissen adaptiert oder durch aufwendige Komponententests bestimmt. Ein Getriebemodell zu parametrieren ist eine zentrale Herausforderung für die Entwicklungsingenieure, da nur eine begrenzte Anzahl an Prototypenfahrzeugen und Komponenten zur Verfügung stehen. Diesen skizzierten Prozess durch einen geeigneten Ansatz eines Triebstrangmodells für die Software- und Funktionsentwicklung zu unterstützen, ist eine Problemstellung dieser Arbeit. Zusätzlich wird die Frage beantwortet, wie der Ablauf bestehend aus Versuchsdurchführung und modernen Identifikationsmethoden mit Hilfe eines Getriebeprüfstands strukturiert werden kann. In diesem Beitrag werden Getriebeparameter wie Massenträgheit und Reibmomente durch Strukturierte Rekurrente Neuronale Netze (SRNN) an einem automatisierten Handschaltgetriebe identifiziert. Aufgrund nicht zu vernachlässigender Temperatureinflüsse an den Lagerstellen wird das SRNN erweitert, um eine zweidimensionale Nichtlinearität abbilden zu können. Die Kupplungskapazität, das Verzahnungsspiel und weitere Parameter werden durch automatisierte Versuche am Getriebeprüfstand bestimmt. Abschließend werden exemplarische Versuche in der Simulation am Beispiel eines Doppelkupplungsgetriebes angewandt, um die Generalisierbarbeit der Methodik zu demonstrieren.
Autor*in
Sebastian Nowoisky
Themen in »Verfahren zur Identifikation nichtlinearer dynamischer Getriebemodelle«
Getriebe Identifikation Lernverfahren Modellbildung SRNN identification learning algorithms modelling neuronal network transmission