Neuronale Netzwerke für transiente Vorgänge im Antriebsstrang

Abstract

Zukünftige Antriebssysteme werden immer komplexer. Beispielsweise ergeben sich durch die Hybridisierung von Verbrennungsmotoren umfangreiche Möglichkeiten für die Leistungsaufteilung im Triebstrang, welche in Kombination mit der Auslegung eines darauf angepassten Brennverfahrens zahlreiche Abstimmparameter enthält. Zudem sind alternative Kraftstoffe für das Erreichen einer CO2-Neutralität im Mobilitätsbereich unerlässlich, was weitere Herausforderungen mit sich bringt, da sich die Verbrennungseigenschaften im Vergleich zu herkömmlichen Benzin- oder Dieselkraftstoffen unterscheiden. Computermodelle können zum einen dabei helfen die Kosten während der Vorentwicklung zu reduzieren, indem sie notwendige Messkampagnen am Prüfstand eingrenzen, zum anderen lassen sich damit Serienprodukte überwachen und auf korrekte Funktionsweise überprüfen. In dieser Arbeit werden Methoden für die Generierung und Zusammenstellung großer Datenmengen von unterschiedlichen Antriebssystemen und -komponenten untersucht, sowie datenbasierte und echtzeitfähige Modelle, basierend auf künstlichen neuronalen Netzwerken, für die genannten Einsatzzwecke aufgebaut und analysiert. Future powertrains are becoming increasingly complex. For example, the hybridization of internal combustion engines opens up extensive possibilities for a split in the powertrain, which, in combination with the design of a combustion process adapted to it, contains numerous tuning parameters. In addition, alternative fuels are essential for achieving CO2 neutrality in the mobility sector, which imposes further challenges as the combustion properties differ compared to conventional gasoline or diesel fuels. On the one hand, computer models can help to reduce costs during pre-development by limiting necessary measurement campaigns on the test bench, and on the other hand, they can be used to monitor serial products and check their correct functioning. In this thesis, methods for the generation and compilation of large amounts of data from different powertrains and their components are investigated, and data-driven and real-time capable models, based on artificial neural networks, are built and analyzed for the aforementioned purposes.