[Zurück]

A. Wasserburger, N. Didcock, S. Jakubek, C. Hametner:
"Risk Averse Real Driving Emissions Calibration under Uncertainties";
Vortrag: International Conference on Calibration Methods and Automotive Data Analytics, Berlin, Deutschland; 21.05.2019 - 22.05.2019; in: "International Conference on Calibration Methods and Automotive Data Analytics", expert verlag GmbH, Tübingen (2019), ISBN: 978-3-8169-3463-9; S. 211 - 218.

Fahrzeugantriebe werden unter verschiedensten Bedingungen betrieben. Dennoch wird der Optimierungs- und Kalibrierungsprozess von Antriebsstrangsystemen typi-scherweise unter kontrollierbaren, gleichbleibenden Bedingungen auf Prüfständen durchgeführt und berücksichtigt keine Unsicherheiten und zufälligen Effekte. Fahr-zyklusvariationen, Fahrerverhalten, Verkehrsereignisse und wechselnde Umge-bungsbedingungen sind nur einige Beispiele für mögliche Unsicherheiten. Auch die Vorhersagequalität der in der Optimierung verwendeten Modelle ist in der Regel begrenzt. Darüber hinaus kann sich die Modellgüte im Laufe der Zeit, beispielswei-se aufgrund von Materialalterung, ändern, oder sie kann wegen Abweichungen in der Serienproduktion von Fahrzeug zu Fahrzeug variieren. Infolgedessen verhalten sich Antriebsstränge optimal unter den spezifischen Prüfstandsbedingungen, die im Optimierungsprozess angenommen wurden, aber es gibt kaum Aussagekraft darüber, was während des realen Betriebs tatsächlich passiert, was auch die Über-schreitung gesetzlicher Grenzwerte beinhaltet. Durch die Berücksichtigung der re-levanten Unsicherheiten während des Optimierungsprozesses können robustere Kalibrierungen erreicht werden. Dies wird durch einen risikoaversen, stochasti-schen Optimierungsansatz erreicht, bei dem anstelle der Nominalwerte von Kraft-stoffverbrauch und Emissionen das Risiko einer schlechten Leistung minimiert wird.

Automotive powertrains are operated in a wide range of conditions. Nonetheless, the optimisation and calibration process of automotive powertrain systems are typi-cally performed under controllable testbed conditions and do not consider uncertain-ties and random effects. Drive cycle variations, driver behaviour, traffic events and changing ambient conditions are just a few examples of possible uncertainties. The prediction quality of the models involved in the optimisation is generally limited as well. Additionally, the fit of the models might change over time due to material age-ing or it could vary among multiple vehicles because of deviations in series produc-tion. Therefore, powertrains operate very well under the specific testbed conditions that were assumed in the optimisation process but there is little control over what actually happens during real world operation, which also implies breaching legisla-tive thresholds. By taking the involved uncertainties into account during the optimi-sation process, more robust calibrations can be achieved. This is accomplished by a risk averse, stochastic optimisation approach, which minimises the risk of bad per-formance, rather than the nominal values of fuel consumption and emission.

Stochastic optimization; risk measurement; real driving emissions (RDE); engine calibration; drive cycles

Projektleitung Christoph Hametner:
CDL Powertrain Control and Monitoring