Abstract
ZusammenfassungIm Spannungsfeld steigender Erwartungen an Fahrkomfort und Energieeffizienz stoßen aktuelle Entwicklungsmethoden der Modellbildung und Optimierung für Fahrzeugkupplungen an ihre Grenzen. In diesem Beitrag wird der Einsatz von KI-Methoden für die Kupplungsentwicklung untersucht und ein Überblick anhand verschiedener Anwendungsbeispiele in aktuellen Forschungsprojekten der Mercedes-Benz AG gegeben. Mittels überwachten Lernens und tiefen neuronalen Netzen werden ein Reibungszahlmodell sowie ein Temperaturmodell einer Kupplung mit hoher Abbildungsgüte entwickelt. Verstärkendes Lernen mit tiefen neuronalen Netzen wird zur Synthese von Regelungen für verschiedene Gangwechsel eingesetzt. Fahrzeugmessdaten werden mit Cluster-Algorithmen analysiert, um Handlungsempfehlungen für die Applikation des Motorwiederstarts eines hybriden Antriebsstrangs abzuleiten. Mit den gezeigten Methoden steigt das Automatisierungspotential in der Entwicklung und der Aufwand für die Übernahme komplexer Entwicklungsprozesse auf neue Getriebevarianten sinkt.
Funder
Mercedes-Benz AG
Karlsruher Institut für Technologie (KIT)
Publisher
Springer Science and Business Media LLC
Reference36 articles.
1. Kistner B, Sanzenbacher S, Munier J, Fietkau P (2019) Die digitale Antriebsentwicklung der Zukunft: ganzheitlich, systematisch und kundenzentriert Experten-Forum Powertrain: Simulation und Test 2019. Springer, S 1–14
2. McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, Back T, Chesus M, Corrado GS, Darzi A (2020) International evaluation of an AI system for breast cancer screening. Nature 577(7788):89–94
3. Silver D, Schrittwieser J, Simonyan K, Antonoglou I, Huang A, Guez A, Hubert T, Baker L, Lai M, Bolton A, Chen Y, Lillicrap T, Hui F, Sifre L, van den Driessche G, Graepel T, Hassabis D (2017) Mastering the game of Go without human knowledge. Nature 550(7676):354–359. https://doi.org/10.1038/nature24270
4. Aleksendrić D, Duboka Č (2007) Fade performance prediction of automotive friction materials by means of artificial neural networks. Wear 262(7–8):778–790. https://doi.org/10.1016/j.wear.2006.08.013
5. Pandiyan V, Prost J, Vorlaufer G, Varga M, Wasmer K (2022) Identification of abnormal tribological regimes using a microphone and semi-supervised machine-learning algorithm. Friction 10(4):583–596. https://doi.org/10.1007/s40544-021-0518-0