Download PDF (2 MB) - MathWorks Deutschland

Weitere Magazine

Empfehlungen

Info

$Print Preview - C:\TEMP\Adoc_86080_1404\.aptcache\ae2k0pft ...$

Der Prüfstand testet alle vier Türsteuergeräte eines Fahrzeugs gleichzeitig. Als Originalbauteile wurden Stellmotoren für die Fensterheber und Schlosselemente für die Zentralverriegelung sowie die Außenspiegel mit ihren Stellmotoren zum Verstellen und Anklappen in den Prüfstand eingebaut. Die Lasten, die die Fenster beim Öffnen und Schließen verursachen, werden mechanisch erzeugt. Auch Ausnahmesituationen, wie das Einklemmen von Gegenständen im Fenster beim Schließen, können nachgestellt werden (Einklemmschutz). Am Türsteuergerät angeschlossene Sensoren versorgen das Gerät mit Informationen über den momentanen Zustand seines Umfeldes und melden Ergebnisse von Aktionen, die es ausgelöst hat. Die Sensoren werden im Prüfstand teilweise vom zentralen Echtzeitrechner über I/O-Hardware simuliert, teilweise sind sie in Form originaler Fahrzeugteile vorhanden. MATLAB select 2/03 Abb. 6: Automatische Code-Generierung für xPC Target Anwendungen Die auf dem xPC Target-Rechner laufende Anwendung, das Simulationsmodell, wird in Simulink als Blockschaltbild erstellt. Auf alle Signalausgänge der einzelnen Blöcke und auf alle während der Simulation veränderbaren Parameter besteht über eine netzwerkfähige Programmierschnittstelle von xPC Target Zugriff auf beliebige C-Programme. Diese Schnittstelle wird zur Automatisierung von Testabläufen für xPC Target mit TARA verwendet. Ein Türsteuergerät besitzt zusätzlich eine Kommunikationsanbindung über CAN-Bus zu anderen Steuergeräten im Fahrzeug, um zum Beispiel beim Abschließen des Autos die Anweisung zu erteilen, das Schiebedach zu schließen. Der xPC Target-Rechner ersetzt auch alle CAN-Kommunikationspartner der Steuergeräte. Testautomatisierung Nicht nur in der Automobilindustrie, die hier Pionierarbeit leistet, sind komplexe, umfangreiche und hundertprozentig reproduzierbare, aussagekräftig ausgewertete Tests Voraussetzung für eine sichere Entwicklung komplizierter Systeme. MicroNova bietet, auf der Basis seines Know-how in der Prüfstandautomation, schlüsselfertige HIL-Simulatoren sowie Unterstützung bei der Testautomatisierung und bei TARA-Erweiterungen. Bei der Entwicklung von Prüfständen und der Realisierung von Systemen zur Testautomation gewährleistete der Einsatz der <strong>MathWorks</strong>-Werkzeuge eine schnelle und unkomplizierte Umsetzung der technisch anspruchsvollen Anforderungen. Autoren: Raimund Schmid, Michael Schläfer MicroNova electronic GmbH E-Mail: info@micronova.de http://www.micronova.de Bildnachweis: Abb. 1 - AUDI AG 19
20 Die Problemstellung Prozessoptimierung mit einer großen Anzahl von Prozessparametern ist eine sehr komplexe, langwierige und teure Arbeit. In der Praxis ermittelt ein erfahrener Mitarbeiter solche Parameter oft mittels Trial-and- Error. Diese Technik wird mit zunehmender Dimensionalität in Prozessparametern und Produkteigenschaften zeitraubend und schwieriger. An dieser Stelle bieten neuronale Prognosen einen neuen Weg zur Prozessoptimierung. Den Einsatz von neuronalen Netzen zur Prozessoptimierung hat die Gruppe für NeuroComputing des Institutes für Mechatronik und Informationstechnologie der FHS Hochschule für Technik, Wirtschaft und Soziale Arbeit St. Gallen (Schweiz) anhand eines Kaltumformprozesses untersucht. Die Gruppe beschäftigt sich allgemein mit datenbasierten Problemstellungen, wobei, neben vielen anderen Toolboxen, meist die Neural Network und Fuzzy Logic Toolbox zum Einsatz kommen. Anwendungen Neuronale Netze für die Prozessoptimierung Prognosen lassen sich in den verschiedensten Anwendungsgebieten mit Hilfe von ANFIS (Adaptive Neuro-Fuzzy Inference System) oder neuronalen Netzen stellen. Mit Hilfe von Überwachungsdaten können so bereits während eines Fertigungsprozesses Produkteigenschaften vorausgesagt werden. Dabei reicht der erlaubte Bereich für das Zeitverhalten des Prozesses von hochdynamisch bis zu quasistationär. Zum besseren Verständnis der komplexen Anforderungen, die die Optimierung eines Prozesses mit mehreren Parametern stellt, sei eine Minigolf-Simulation betrachtet (Abb. 1). Dieses Spiel zeigt auf, wie schwer es für das menschliche Gehirn ist, mehrdimensionale Zusammenhänge richtig zu verarbeiten. Für Testfreudige kann das Spiel unter www.fhsg.ch/nc heruntergeladen werden. Ziel des Minigolf-Spiels ist es, einen Golfball vom Abschlag aus (Punkt 1, Abb. 1) so Abb. 1: Grundriss und 3D-Ansicht der Minigolfbahn Abb. 2 Blockschaltbild neuronales Prozess-Modell durch eine röhrenförmige Bahn zu befördern, dass er den Zielkreis trifft und unter einem Winkel von 90° zur Rohrkante aus der Bahn kommt. Am Abschlag können drei Parameter angegeben werden: die Abschlag- Position, der Abschlag-Winkel und die Abschlag-Geschwindigkeit des Golfballes. Müsste der Golfball dagegen auf einer geraden Bahn geradeaus gespielt werden, so stellt dies keine hohe Anforderung an den Menschen. Es ist auch noch nicht so schwierig, wenn noch eine Kurve gespielt werden müsste. Findet das ganze aber in einer rohrähnlichen Bahn statt, so muss man drei Parameter beachten, um den Ball richtig zu spielen. Dazu kommt die Nichtlinearität dieses Systems aufgrund der rohrähnlichen Bahn. Damit ist das menschliche Hirn normalerweise bei weitem überfordert. Reale Prozesse, z.B. in der Produktion von Werkstücken, weisen in der Regel sogar mehr Parameter als das geschilderte Spiel auf. Die Prozessoptimierung ist entsprechend aufwändig, hier bietet sich der Einsatz neuronaler Netze an. Benötigte Daten und Datenhandling Von einem neuronalen Netz können Aussagen bezüglich des Verhaltens eines Systems auch dann getroffen werden, wenn die zugrunde liegenden Daten nicht den gesamten Arbeitsbereich abdecken. Allerdings sind die Aussagen nur zuverlässig, wenn die erhaltenen Informationen über den betroffenen Arbeitsbereich Minimalanforderungen genügen. Je nach Aufgabenstellung muss entschieden werden, ob die Datenbasis ausreicht oder nicht. MATLAB select 2/03
Seite 1 und 2: Das Kundenmagazin von The MathWorks
Seite 3 und 4: Intern Anwendungen Schlaglichter Pr
Seite 5 und 6: 4 Unser Team Application Engineerin
Seite 7 und 8: 6 Schulungen in Wien Ab November bi
Seite 9 und 10: 8 Diese Gemeinsamkeiten gaben dem w
Seite 11 und 12: Die Firma g.tec, Guger Technologies
Seite 13 und 14: 12 Anwendungen Abb. 4: g.RTanalyze
Seite 15 und 16: 14 Danach werden die zu berechnende
Seite 17 und 18: 16 Auf dem Weg zu immer kürzeren E
Seite 19: 18 Übergeordnetes Testsystem Berei
Seite 23 und 24: 22 Je nach den benötigten Informat
Seite 25 und 26: 24 nieur aus der Entwicklungsabteil
Seite 27 und 28: 26 In Abbildung 1 ist der gesamte E
Seite 29 und 30: 28 Das Phänomen, dass Entwicklungs
Seite 31 und 32: 30 Werkzeuge für die Messtechnik u
Seite 33 und 34: 32 Naturkatastrophen führen Jahr f
Seite 35 und 36: 34 Anwendungen Abb. 2: Einzelnes Or
Seite 37 und 38: MATLAB in der Welt Digitale Signalv
Seite 39 und 40: Leistungsverbesserungen in Simulink
Seite 41 und 42: 40 Mit der Image Acquisition Toolbo
Seite 43 und 44: 42 Die Fixed-Income Toolbox enthäl
Seite 45 und 46: 44 Die Bioinformatics Toolbox umfas
Seite 47 und 48: 46 Optimization TB Optimierungs-Alg
Seite 49 und 50: TIPPS&TRICKS ■ TIPPS&TRICKS 1. (H
Seite 51 und 52: BUCHTIPPS ■ BUCHTIPPS Modellbildu
Seite 53: Deutschland The MathWorks GmbH MATL

Download PDF (2 MB) - MathWorks Deutschland

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?