ASCMO-STATIC

ETAS ASCMO-STATIC unterstützt eine Vielzahl von Anwendungsfällen, bietet einen breiten Umfang an Funktionen inklusive geeigneter Visualisierungen und Werkzeuge zur Modellevaluierung und stellt leistungsfähige Optimierungsalgorithmen zur Verfügung. Mit dem Werkzeug können Anwender datenbasierte Modellierungen und modellbasierte Applikationen einfach und schnell durchführen.

Legende

Darstellung des Verhaltens eines Ottomotors mit Direkteinspritzung

Schwarze Linien: Modellvorhersage
Rote Linien: Modellgenauigkeit
Y-Achse, von oben nach unten: Berechnetes Verhalten der Ausgangsgrößen “Treibstoffverbrauch”, “Laufruhe”, “Ruß” und “NOx-Emissionen”.
X-Achse, von links nach rechts: Interaktive Einstellung von Drehmoment und Lastpunkt sowie von relevanten Applikationsparametern (blaue Linien).

Automatisierte Optimierung von Kennfeldern. Die Optimierungskriterien sind in diesem Beispiel ein minimaler Kraftstoffverbrauch sowie die Einhaltung der Grenzen für Emissionen und Laufruhe.

Mit Hilfe von Modellen von ETAS ASCMO-STATIC lassen sich zum Beispiel der Verbrauch und die Schadstoffemissionen komplexer Verbrennungsmotoren in Abhängigkeit von Drehzahl, Last sowie sämtlicher motorischer Stellgrößen präzise vorhersagen und automatisch oder manuell optimieren. Anhand des Verlaufs der Stellgrößen können die relevanten Kennfelder der Motorsteuerung anschließend so bedatet werden, dass der beste Kompromiss zwischen Schadstoffemissionen und Kraftstoffverbrauch beim Betrieb des Motors erreicht wird.

Statistische Versuchsplanung (Design of Experiments / DoE)

Ein wesentliches Element von ETAS ASCMO-STATIC bildet die Statistische Versuchsplanung (Design of Experiments, DoE), mit der maximale Modellgenauigkeit bei minimalem Messaufwand erreicht werden kann.

Modelle von ETAS ASCMO-STATIC werden auf Basis von Messergebnissen parametriert, welche am Prüfstand am realen System erfasst werden. Mit dem DoE-Versuchsplanungs-Modul lassen sich die zu Grunde liegenden Messungen auf einfache Weise planen. Mit Hilfe von Methoden der statistischen Versuchsplanung werden die Anzahl und Positionen der Messpunkte, an denen die Messdaten gewonnen werden, vorbereitet. Der Variationsbereich der Messpunkte kann dabei einfach grafisch oder numerisch in bis zu drei Dimensionen, sowie mit einem Formeleditor in beliebigen Dimensionen eingeschränkt werden. Anforderungen der Prüfstandsautomatisierung, wie zum Beispiel für das Anfahren von Betriebspunkten, werden praxisgerecht berücksichtigt. Eine intelligente Aufteilung des Versuchsplans in Blöcke erlaubt es, den Messaufwand an die gewünschte Genauigkeit anzupassen. Das Versuchsplanungsmodul von ETAS ASCMO-STATIC wählt die Lage der Messpunkte für die Erstellung von Modellen so aus, dass eine maximale Modellgenauigkeit bei minimalem Messaufwand erreicht wird.

Modellbildung

Das statistische Lernverfahren bestimmt anhand von Messdaten auf Basis von Gauß-Prozessen automatisch die spezifische mathematische Funktion, welche das reale Systemverhalten am besten abbildet. Dabei wird das Messrauschen implizit berücksichtigt, so dass eine Überanpassung (Overfitting) vermieden wird. Das Verfahren ist robust gegenüber Messausreißern. Eine örtlich aufgelöste Modellvarianz gibt dem Anwender ein Maß für die Verlässlichkeit der Modellvorhersage. Die Modellgüte wird durch leicht verständliche Grafiken und Kennzahlen angezeigt.

Visualisierung und Systemanalyse

Durch interaktive Schnittgrafiken („Intersection-Plots“) werden mehrdimensionale Abhängigkeiten einfach veranschaulicht. Damit können der Einfluss und die Wechselwirkungen der Eingangsgrößen einfach analysiert werden. Mit den leistungsfähigen Optimierungsalgorithmen von ETAS ASCMO-STATIC lassen sich Zielkonflikte, die bei der Applikation auftreten, lösen sowie der Verbrauch und die Emissionen im Fahrzyklus minimieren.

Optimierung in mehreren Dimensionen

Zur Optimierung der Eingangsgrößen, mit denen zum Beispiel ein Motor angesteuert wird, können verschiedene Kriterien wie Minimierung/Maximierung, oberer/untere Grenzwerte sowie Zielwerte für die Ausgangsgrößen definiert werden. Bei der Optimierung können entweder diese Kriterien gewichtet oder die vollständige Trade-off-Kurve (Pareto-Kurve) berechnet werden. Aus der Trade-off-Kurve kann der Anwender den geeigneten Kompromiss auswählen. Bei Motorapplikationen kann eine globale Optimierung im gesamten Betriebsbereich durchgeführt werden. Als Ergebnis erhält der Anwender eine optimale Kalibrierung der Kennfelder aller Eingangsgrößen in kürzester Zeit. Die Kennfelder können dabei auch manuell verändert werden. Dabei sieht der Anwender immer direkt die Auswirkungen seiner Änderungen auf die Ausgangswerte. Das gilt sowohl für den einzelnen Wert am aktuellen Betriebspunkt als auch für den Summenwert bezogen auf den gesamten Fahrzyklus.

Kalibrierung

Analog zu ETAS INCA ermöglicht ein Arbeits- und Referenzseiten-Konzept den Vergleich alternativer Kalibrierungen. Die modelbasierte Kalibrierung kann im DCM- oder CSV-Format exportiert und in INCA eingelesen werden.

Virtueller Prüfstand

Aus einem Modell von ETAS ASCMO-STATIC können innerhalb von wenigen Sekunden mehrere hunderttausend Messdaten künstlich erzeugt werden. Zu diesem Zweck können beliebige Raster für die Eingangsgrößen über Schrittweite, Schrittanzahl, freie Stützstellen entweder direkt im Werkzeug oder über den Import einer Excel-Liste definiert werden. Die mit dem Modell erzeugten Messdaten können wie reale Prüfstandsmessungen genutzt, grafisch analysiert und für die weitere Bearbeitung in Excel als CSV-Datei exportiert werden.

Offen und flexibel

ETAS ASCMO-STATIC ist offen und flexibel. Das Werkzeug unterstützt alle relevanten Datenformate, welche am Prüfstand und in der Applikation verwendet werden. ETAS ASCMO-STATIC kann vorhandene Modelle in verschiedenen Formaten exportieren. Mit Hilfe der MATLAB®-Schnittstelle lassen sich kundenspezifische Funktionen und Modelle einfach integrieren, Abläufe per Scripting automatisieren oder eine Prüfstandsautomatisierung anschließen. Der Anschluss einer Prüfstandsautomatisierung über die COM-Schnittstelle ist ebenfalls möglich.