[Back]

O. Srb:
"Synthese von künstlichen Fahrzyklen zur realitätsnahen Prüfung von Kraftfahrzeugen";
Supervisor: S. Jakubek; Institut für MEchanik und Mechatronik, 2010; final examination: 2010-04-22.

The most common driving cycles for testing vehicles in respect of their fuel consumption and exhaust gas emissions can't reproduce the real world consumption and emission behaviour in an adequate way. The aim of this work hence is to find a method for generating artificial driving cycles which fit to the measured driving data in a quick and efficient way. This fitting is conducted by the two dimensional speed-acceleration-probability distribution as well as statistical parameters such as average speed or average acceleration. The generated driving cycle is built up with sequential ramp functions with variable slopes and time intervals. The fitting itself is implemented by a genetic optimisation that minimises a certain quality function containing the fitting criteria. Given constraints like an arbitrary driving cycle time or maximum speed and acceleration are satisfied throughout the process. Additionally the optimisation can be run with or without consideration of vehicle idling times which is a big benefit for testing hybrid or electric cars.

The performance ability of the introduced process is shown and validated based on measured driving data.

Die momentan gängigsten Fahrzyklen, um Kraftfahrzeuge hinsichtlich ihres Treibstoffverbrauchs und ihrer Abgasemissionen zu testen, können das Verbrauchs- und Abgasverhalten im realen Betrieb teilweise nur unzureichend wiedergeben. Das Ziel dieser Arbeit ist deshalb die Erarbeitung einer Methode, schnell und effizient an gemessene Fahrdaten angepasste künstliche Fahrzyklen zu generieren. Diese Anpassung erfolgt anhand der zweidimensionalen Geschwindigkeits-Beschleunigungs-Häufigkeitsverteilung sowie anhand statistischer Parameter wie Durchschnittsgeschwindigkeit und -beschleunigung. Der generierte Fahrzyklus besteht dabei aus aneinandergefügten Rampenfunktionen, deren Steigungen und Zeitintervalle veränderlich sind. Die Anpassung selbst erfolgt dabei über eine genetische Optimierung, welche ein bestimmtes Gütefunktional, das die genannten Anpassungskriterien enthält, minimiert. Dabei werden vorgegebene Nebenbedingungen, wie eine wählbare Fahrzykluszeit oder maximale Geschwindigkeiten und Beschleunigungen eingehalten. Zusätzlich kann die Optimierung mit oder ohne Berücksichtigung von Standzeiten durchgeführt werden, was für Tests von Hybrid- oder Elektrofahrzeugen von Vorteil ist.

Die Leistungsfähigkeit des vorgestellten Verfahrens wird anhand von gemessenen Fahrdaten dargestellt und validiert.

Legal Drive Cycle, Genetic Optimisation