[Zurück]


Vorträge und Posterpräsentationen (mit Tagungsband-Eintrag):

M. Stadlbauer, C. Hametner, S. Jakubek, T. Winsel:
"Analytic Model Based Design of Experiments";
Vortrag: Design of Experiments (DoE) in Engine Developement, Berlin; 23.05.2011 - 24.05.2011; in: "Design of Experiments (DoE) in Engine Developements", (2011), ISBN: 978-3-8169-3074-7; S. 13 - 23.



Kurzfassung deutsch:
Die Komplexität von Verbrennungsmotoren nimmt durch die Verwendung von neuen Sensoren, Aktuatoren und leistungsstärkeren Steuergeräten kontinuierlich zu, während die Anforderungen an die Automobilindustrie hinsichtlich Emissionsnormen zunehmend verschärft werden. Für die datenbasierte Modellierung werden immer informationsreichere Eingangs- und Ausgangsdatensätze benötigt um einerseits das Motormodell hinreichend gut parametrieren zu können und um andererseits Kosten und Messzeit am Prüfstand einzusparen. In diesem Zusammenhang hat sich die modellbasierte Versuchsplanung als sehr nützliche Methode erwiesen, um Versuchspläne durch die Optimierung des Anregungssignals für ein bestehendes Modell so informationsreich wie möglich zu gestalten. Da die Vermessungen des stationären Betriebsbereichs sehr zeitaufwendig sind wird die dynamische Modellierung, ins-besondere in einem online Verfahren immer wichtiger.
In der vorliegenden Arbeit wird eine analytische Methode für modellbasierte Ver-suchsplanung vorgestellt, die für nichtlineare statische und nichtlineare dynami-sche Systeme angewendet werden kann. Die analytische Optimierung beruht auf etablierten Modellierungskonzepten, wie linearen lokalen Modellnetzwerken oder künstlichen neuronalen Netzen. Die Leistungsfähigkeit des gewählten Ansatzes wird anhand eines nichtlinearen statischen und eines nichtlinearen dynamischen Beispiels dargestellt.

Kurzfassung englisch:
The complexity of combustion engines is continuously rising due to the application of new sensors, actuators and computationally powerful engine control units while the requirements for the automotive industry regarding emission norms are continuously tightened. Data based modeling approaches require more and more informative input and output process data in order to properly parameterize the engine model and to reduce time and costs on the engine testbed. In this context, model based design of experiments (DoE) is a very useful method targeted to make experiments as informative as possible by the optimization of excitation signals for an existing model. Since steady state measurements are very time consuming dynamic modeling, especially in an online procedure becomes of increasing interest.
In this paper an analytic method for model based DoE is presented, which can be applied to either nonlinear static or nonlinear dynamic systems. The analytic optimi-zation of the proposed method can be based on established modeling concepts such as local model networks or multilayer perceptron networks. The effectiveness of the presented method is demonstrated by means of a nonlinear static and a nonlinear dynamic simulation example.

Schlagworte:
design of experiments, nonlinear dynamic systems, Fisher information matrix

Erstellt aus der Publikationsdatenbank der Technischen Universität Wien.