magazine - Das Virtuelle Fahrzeug
magazine - Das Virtuelle Fahrzeug
magazine - Das Virtuelle Fahrzeug
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Modellreduktion:<br />
Komplexe Systeme vereinfachen<br />
Reduzierte Modelle beschreiben qualitativ das angenäherte Systemverhalten. Dennoch sind sie ein<br />
Kompromiss zwischen dem Grad der Modellreduktion und der resultierenden Genauigkeit. Die am VIRTUAL<br />
VEHICLE entwickelten kombinierten Methoden helfen, eine sinnvolle Balance herzustellen.<br />
Die virtuelle <strong>Fahrzeug</strong>entwicklung mit Hilfe<br />
von spezialisierten Computerprogrammen ist<br />
eine Gratwanderung: Einerseits dominieren<br />
ausgereifte Simulationswerkzeuge die facettenreichen<br />
Ingenieur-Disziplinen und bieten<br />
zugeschnittene Modellierungssprachen sowie<br />
Lösungsalgorithmen. Typischerweise werden<br />
hochdetaillierte Modelle entwickelt, um das<br />
System und dessen Verhalten zu analysieren<br />
– ohne teure Prototypen erstellen zu müssen.<br />
Andererseits fordern steigende Produktanforderungen<br />
umfassendere Analysen und diese<br />
führen zwangsläufig zu komplexeren Modellen.<br />
Diese sind Voraussetzung, um exaktere Aussagen<br />
über das Systemverhalten zu erzielen.<br />
Gesucht: Vereinfachte Modelle<br />
Aufgrund der meist hohen Komplexität der Teilmodelle<br />
führen Gesamt- bzw. Teilsimulationen<br />
zu erheblichen Rechenzeiten. Dem Einbinden<br />
von virtuellen Teilmodellen am Prüfstand (HiL<br />
- Hardware in the Loop) sind Grenzen gesetzt.<br />
Kürzere Simulationszeiten auf Echtzeitplattformen<br />
sind durch leistungsfähigere Hardware<br />
kaum erreichbar. Es werden also schnellere<br />
und einfachere Modelle benötigt.<br />
Die folgenden methodischen Ansätze zur Modellreduktion<br />
sind erst durch die Kombination<br />
der am VIRTUAL VEHICLE entwickelten<br />
12 <strong>magazine</strong> Nr. 11, I-2012<br />
Methoden realisierbar und weisen einen systematischen<br />
Weg in Richtung Echtzeitmodelle.<br />
Erste Anwendungen der Methodik in unterschiedlichen<br />
Kooperationsprojekten zeigen<br />
vielversprechende Ergebnisse und öffnen neue<br />
Perspektiven zur Verhaltensmodellierung von<br />
komplexen Systemen.<br />
Reduzierte Modelle weisen die wesentlichen<br />
und charakteristischen Merkmale der komplexen<br />
Modelle auf und gewährleisten qualitative<br />
Aussagen über das Systemverhalten. Sie<br />
werden auch zwingend für modellbasierende<br />
Regelungsstrategien, multidisziplinäre Optimierung<br />
und für frühzeitige Entscheidungen im<br />
Produktentwicklungsprozess benötigt (Abb.1).<br />
Methoden zur Annäherung<br />
Selbstverständlich steht die Frage nach dem<br />
günstigen Grad der Reduktion im Mittelpunkt.<br />
Bislang wird dieser empirisch oder basierend<br />
auf a-priori Expertenwissen gewählt. Eine generell<br />
anwendbare Lösung existiert nicht.<br />
Eine grobe Einteilung in der Modellreduktion erfolgt<br />
in modellbasierende, datenbasierende und<br />
hybride Ansätze (Abb.2). Hier werden mathematische<br />
Zusammenhänge und Messdaten zur<br />
Approximation herangezogen. Schwierig bei<br />
diesen Methoden ist die Bewertung der Qua-<br />
Abbildung 1: Verhaltensmodellierung im Entwicklungsprozess<br />
Quelle: Area Vehicle E/E & SW, ViF<br />
lität bzw. Güte des resultierenden einfachen<br />
Modells. Einerseits interessiert, ob stationäre<br />
Werte in einem bestimmten Toleranzbereich<br />
liegen. Im Fall von dynamischen Systemen ob<br />
ist wiederum maßgeblich, ob transiente Übergänge<br />
ausreichend genau abgebildet sind.<br />
Bei datengetriebenen Methoden ist neben der<br />
Wahl geeigneter Messdaten die zugrundeliegende<br />
und beschreibende Modellstruktur interessant.<br />
Abbildung 2: Ansätze Modellreduktion<br />
Quelle: Area Vehicle E/E & SW, ViF<br />
Zum Bestimmen möglichst „guter“ Datensätze<br />
mit einem hohen Informationsgehalt bieten sich<br />
Methoden aus der optimalen Versuchsplanung<br />
(DoE - Design of Experiments) an, mit deren<br />
Hilfe sinnvolle Eingangs- und Ausgangsdaten<br />
effizient bestimmt werden können. Eventuelle<br />
Prüfstandkosten werden dabei minimiert.<br />
Screening: Die Analyse des Systems<br />
<strong>Das</strong> sog. „Screening“ stellt eine ausgiebige<br />
Analyse eines Systems dar und beinhaltet das<br />
Erfassen von Expertenwissen sowie eine Sensitivitätsanalyse.<br />
Dabei werden basierend auf<br />
Eingangs- und Ausgangsdaten des Systems<br />
Modelleigenschaften (z.B. lineare Zusammenhänge)<br />
erörtert und statistisch belegt. Im Zuge<br />
dessen sind also über statistische Maße wesentliche<br />
Modelleigenschaften bekannt und die<br />
Modellqualität kann beurteilt werden (Abb.3).<br />
Beantwortet werden damit die noch offenen<br />
Fragen nach dem Grad der Modellreduktion<br />
oder einer geeigneten Modellstruktur. Darüber<br />
hinaus wird die Modellqualität basierend auf