[Zurück]


Dissertationen (eigene und begutachtete):

A. Wasserburger:
"Stochastic Methods for Handling Uncertainties in Automotive Applications";
Betreuer/in(nen), Begutachter/in(nen): C. Hametner, S. Jakubek, T. Katrasnik; Mechanik und Mechatronik, 2021; Rigorosum: 03.08.2021.



Kurzfassung deutsch:
Die vorliegende Dissertation ist im Rahmen eines Projektes innerhalb des Christian Doppler Labors für innovative Regelung und Überwachung von Antriebssystemen an der Technischen Universität Wien entstanden. Die Forschung wurde in Kooperation mit der AVL List GmbH durchgeführt, dem Industriepartner des genannten Christian Doppler Labors.

Das zentrale Thema dieser Arbeit ist die Behandlung von Unsicherheiten in der Automobiltechnik im weiten Sinne. Der Schwerpunkt liegt hierbei auf der Formulierung von stochastischen Optimierungsproblemen, deren Lösung in Folge einen zufriedenstellenden, emissionsarmen und sicheren Betrieb unter wechselnden und unvorhersehbaren
Bedingungen ermöglicht.

In dieser Dissertation werden verschiedene Unsicherheiten entweder anhand von datenbasierten, wahrscheinlichkeitstheoretischen Verteilungen mathematisch dargestellt oder durch eine Vielzahl realistischer Szenarien simuliert. Die Fortpflanzung dieser Unsicherheiten durch komplexe Systeme, wie zum Beispiel Verbrennungsmotoren, stellt klassische Optimierungsformulierungen vor Probleme, da unvorhergesehene Kombinationen von Störungen einen nicht kalkulierten Einfluss auf beispielsweise Kraftstoffverbrauch und Emissionen haben können. Solche ungünstigen Bedingungen werden jedoch in den gängigen Kalibrierungsprozessen der jeweiligen Systeme typischerweise nicht berücksichtigt. Der in dieser Dissertation verfolgte neuartige Ansatz befasst sich daher mit der Optimierung der Verteilung einer Ausgangsgröße wie zum Beispiel Emissionen. Dadurch können Rückschlüsse auf die Wahrscheinlichkeit des Auftretens von zu hohen Emissionswerten gezogen und diese Wahrscheinlichkeit minimiert werden.

Des Weiteren wird ein Algorithmus zur Erzeugung realistischer Fahrzyklen entwickelt. Die künstlichen Zyklen werden für die stochastische Optimierung und für die Erstellung von kurzfristigen Geschwindigkeitsprognosen verwendet, die beispielsweise in Fahrerassistenzsystemen und Energiemanagementsystemen eingesetzt werden können.

Simulationsergebnisse zeigen, dass die Berücksichtigung von Unsicherheiten in der Optimierung das Potential für signifikante Einsparungen in Sachen Kraftstoffverbrauch und Emissionen im realen Fahrbetrieb liefert.

Kurzfassung englisch:
The present PhD thesis provides an overview of the results achieved since 2017 as part of a project within the Christian Doppler Laboratory for Innovative Control and Monitoring of Automotive Powertrain Systems at TU Wien. The research was conducted in cooperation with AVL List GmbH, the industrial partner in the aforementioned Christian Doppler Laboratory.

The central topic of this work is the treatment of uncertainties in automotive engineering in a broad sense. The focus here is on the formulation of stochastic optimization problems whose solution subsequently enables satisfactory, safe and low-emission operation of powertrains under uncertain and unpredictable conditions.

In this PhD thesis, various uncertainties are either mathematically represented using probabilistic distributions or simulated through a variety of realistic scenarios. The propagation of these uncertainties through complex systems, such as internal combustion engines, poses problems for classical optimization formulations, since unforeseen combinations of disturbances can have an unknown influence on, for example, fuel consumption and emissions. Yet, such unfavourable conditions are typically not considered in the current calibration processes of the respective systems. Therefore, the novel approach
pursued in this PhD thesis deals with the optimization of the distribution of an output variable such as emissions. As a result, conclusions can be drawn regarding the probability of the occurrence of excessively high emission values and this probability can be minimized.

Furthermore, an algorithm for the generation of realistic drive cycles has been developed. The artificial cycles are used for the stochastic optimization and for the creation of short-term velocity predictions which can be utilized for example in advanced driver assistance systems and energy management systems.

Simulation results illustrate that the consideration of uncertainties in the optimization provides the potential for significant savings in fuel consumption and emissions in real world operation.

Schlagworte:
Stochastic optimization, calibration, drive cycles, real driving emissions, platooning

Erstellt aus der Publikationsdatenbank der Technischen Universitšt Wien.