DE102010003698A1 - Method for laying out contour of control cam for controlling e.g. inlet valve of e.g. diesel engine, involves determining values for parameters of each of particles using particle swarm optimization algorithm - Google Patents
Method for laying out contour of control cam for controlling e.g. inlet valve of e.g. diesel engine, involves determining values for parameters of each of particles using particle swarm optimization algorithm Download PDFInfo
- Publication number
- DE102010003698A1 DE102010003698A1 DE201010003698 DE102010003698A DE102010003698A1 DE 102010003698 A1 DE102010003698 A1 DE 102010003698A1 DE 201010003698 DE201010003698 DE 201010003698 DE 102010003698 A DE102010003698 A DE 102010003698A DE 102010003698 A1 DE102010003698 A1 DE 102010003698A1
- Authority
- DE
- Germany
- Prior art keywords
- parameters
- control cam
- particle
- optimization algorithm
- swarm optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01L—CYCLICALLY OPERATING VALVES FOR MACHINES OR ENGINES
- F01L1/00—Valve-gear or valve arrangements, e.g. lift-valve gear
- F01L1/02—Valve drive
- F01L1/04—Valve drive by means of cams, camshafts, cam discs, eccentrics or the like
- F01L1/08—Shape of cams
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H53/00—Cams ; Non-rotary cams; or cam-followers, e.g. rollers for gearing mechanisms
- F16H53/02—Single-track cams for single-revolution cycles; Camshafts with such cams
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
- F02M59/00—Pumps specially adapted for fuel-injection and not provided for in groups F02M39/00 -F02M57/00, e.g. rotary cylinder-block type of pumps
- F02M59/02—Pumps specially adapted for fuel-injection and not provided for in groups F02M39/00 -F02M57/00, e.g. rotary cylinder-block type of pumps of reciprocating-piston or reciprocating-cylinder type
- F02M59/10—Pumps specially adapted for fuel-injection and not provided for in groups F02M39/00 -F02M57/00, e.g. rotary cylinder-block type of pumps of reciprocating-piston or reciprocating-cylinder type characterised by the piston-drive
- F02M59/102—Mechanical drive, e.g. tappets or cams
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
Description
Die Erfindung betrifft ein Verfahren zum Auslegen der Kontur eines Steuernockens.The invention relates to a method for laying out the contour of a control cam.
Steuernocken werden beispielsweise in Brennkraftmaschinen z. B. zur Steuerung der Einspritzpumpe (als „Einspritznocke”) und auch zur Steuerung der Gaswechselorgane (als ”Einlassnocke” bzw. ”Auslassnocke”) verwendet.Control cam, for example, in internal combustion engines z. B. for controlling the injection pump (as "injection cam") and also for controlling the gas exchange organs (as "inlet cam" or "Auslassnocke") used.
Ziel bei der Herstellung eines Steuernockens ist die Entwicklung einer optimalen Kontur des Steuernockens, welche alle vorgegebenen Kriterien und Beschränkungen, die für den Steuernocken und die angrenzenden Bauteile bestehen, erfüllt. Beispielsweise ziehen die bei Brennkraftmaschinen stetig steigenden Einspritzdrücke bzw. Raildrücke (z. B. beim Common Rail der 2. Generation ist der Raildruck ≥ 2200 bar) höhere Bauteilbelastungen nach sich und erfordern somit die Optimierung von Einspritzbauteilen wie z. B. den Einspritznocken.The goal in the production of a control cam is the development of an optimal contour of the control cam, which meets all the specified criteria and restrictions that exist for the control cam and the adjacent components. For example, the steady rise in injection pressures or rail pressures (eg in the case of the 2nd generation common rail, the rail pressure ≥ 2200 bar) entail higher component loads and thus require the optimization of injection components, such as injection valves. B. the injection cam.
Um alle Anforderungen an die Auslegung der Kontur eines Steuernockens zu erfüllen, bedarf es eines geschlossenen Optimierungsverfahrens. Die aus dem Stand der Technik bekannten, auf klassischen Algorithmen basierenden Auslegungsverfahren für die Kontur eines Steuernockens, wie sie z. B. in der Publikation
Aus
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zum Auslegen der Kontur eines Steuernockens bereitzustellen, welches robust, effektiv sowie schnell ist und mit dem die geometrische Auslegung bzw. Gestaltung der Kontur des Steuernockens in optimaler Weise realisiert werden kann, so dass die Betriebscharakteristika des Steuernockens und funktional anzugliedernder Bauteile im gesamten Anwendungsbereich an bestehende Anforderungen und Grenzwerte angepasst sind und sich damit durch geringere Bauteilbelastungen auszeichnen.The invention has for its object to provide a method for designing the contour of a control cam, which is robust, effective and fast and with which the geometric design of the contour of the control cam can be realized in an optimal manner, so that the operating characteristics of the control cam and functionally to be added components in the entire application are adapted to existing requirements and limits and thus characterized by lower component loads.
Dies wird mit einem Verfahren gemäß Patentanspruch 1 gelöst. Weiterbildungen der Erfindung sind in den abhängigen Patentansprüchen definiert.This is achieved by a method according to
Gemäß der Erfindung wird ein Verfahren zum Auslegen der Kontur eines Steuernockens bereitgestellt, wobei das Verfahren aufweist: Definieren einer vorbestimmten Anzahl von jeweils einen Initiatisierungswert aufweisenden Parametern für die Kontur des Steuernockens, Definieren einer vorbestimmten Menge von jeweils die vorbestimmte Anzahl von Parametern aufweisenden Parameterscharen als vorbestimmte Menge von Partikeln für die Durchführung eines Particle-Swarm-Optimization-Algorithmus (PSO-Algorithmus), Definieren wenigstens einer Auslegungs-Randbedingung für die Kontur des Steuernockens, Definieren wenigstens einer von den Parametern beeinflussbaren Auslegungs-Zielgröße für die Kontur des Steuernockens, Definieren einer Zielfunktion für den PSO-Algorithmus unter Einbeziehung wenigstens einer der definierten Auslegungs-Zielgrößen, und unter Verwendung des PSO-Algorithmus Ermitteln von Werten für die Parameter jedes Partikels, so dass unter Berücksichtigung der wenigstens einen Auslegungs-Randbedingung ein auf wenigstens ein Optimierungsziel optimierter Wert der Zielfunktion erzielt wird.According to the invention, there is provided a method of designing the contour of a control cam, the method comprising: defining a predetermined number of parameters each having an initiation value for the contour of the control cam, defining a predetermined set of parameter sets each having the predetermined number of parameters as a predetermined one A set of particles for performing a Particle Swarm Optimization (PSO) algorithm, defining at least one design constraint on the contour of the control cam, defining at least one design target influenceable to the control cam contour, defining a Target function for the PSO algorithm including at least one of the defined design target values, and using the PSO algorithm, determining values for the parameters of each particle, so that taking into account the at least one n Design boundary condition is achieved on at least one optimization target optimized value of the objective function.
Erfindungsgemäß wird ein PSO-Algorithmus zur optimalen Auslegung bzw. Gestaltung der Kontur eines Steuernockens, wie z. B. eines Steuernockens für eine Brennkraftmaschine, verwendet. Ziel des PSO-Algorithmus ist es dabei, das Optimum einer untersuchten Zielfunktion zu finden, wobei dieses je nach Definition ein Maximum oder ein Minimum darstellen kann und gemäß einer Ausführungsform der Erfindung ein Minimum ist. Das Optimum soll bevorzugt das globale Optimum des gesamten Suchraums, d. h. Lösungsraums, sein.According to the invention, a PSO algorithm for optimal design of the contour of a control cam, such. B. a control cam for an internal combustion engine used. The aim of the PSO algorithm is to find the optimum of an examined objective function, which depending on the definition can represent a maximum or a minimum and according to one embodiment of the invention is a minimum. The optimum should preferably be the global optimum of the entire search space, i. H. Solution room, be.
Die Parameterscharen, welche gemäß der Erfindung die Partikeln des PSO-Algorithmus bilden, werden zu Anfang der Optimierung stochastisch und/oder determiniert über den gesamten Lösungsraum verteilt, sie haben damit eine entsprechende Position darin. Den Partikeln werden zur Initialisierung stochastische und/oder determinierte Geschwindigkeitsvektoren zugeordnet. The sets of parameters which according to the invention form the particles of the PSO algorithm are distributed stochastically and / or deterministically over the entire solution space at the beginning of the optimization, thus having a corresponding position therein. The particles are assigned to the initialization stochastic and / or determined velocity vectors.
Für jeden weiteren Schritt des PSO-Algorithmus orientiert sich jeder Partikel unter anderem an der Lage der benachbarten Partikeln und seiner eigenen bisher besten Position. Aus den individuell besten Lösungen jedes einzelnen Partikels wird die beste Lösung des Schwarms durch eine Vergleichsoperation ausgewählt. Der Schwarm tendiert so als Ganzes in Richtung des am besten positionierten Partikels.For each further step of the PSO algorithm, each particle orients itself among other things on the location of the adjacent particles and its own best position so far. From the individual best solutions of each individual particle, the best solution of the swarm is selected by a comparison operation. The swarm thus tends as a whole toward the best positioned particle.
Die Orientierung der Partikeln bzw. Parameterscharen im Lösungsraum ist D-dimensional, je nach Anzahl der Auslegungs-Parameter.The orientation of the particles or parameter sets in the solution space is D-dimensional, depending on the number of design parameters.
Die Zielfunktion kann so formuliert werden, dass mehrere Auslegungs-Zielgrößen mit eigener Gewichtung darin vereint werden. Sie wird dann auch als Gütefunktion (Fitness) bezeichnet. Die Auslegungs-Zielgrößen entsprechen den mathematisch erfassbaren konkreten Anforderungen. Durch die Formulierung einer Gütefunktion können die in einem Berechnungsgang bestimmten Größen sowohl für sich als auch gegeneinander bewertet und gewichtet werden. Das Ziel ist die Entwicklung einer optimalen Kontur eines Steuernockens in Abhängigkeit von allen Kriterien und Beschränkungen.The objective function can be formulated in such a way that several design target values with their own weighting are combined in it. It is then also referred to as a quality function (fitness). The design target values correspond to the mathematically determinable concrete requirements. By formulating a quality function, the variables determined in a calculation process can be evaluated and weighted both for themselves and against each other. The goal is to develop an optimal contour of a control cam depending on all criteria and limitations.
Gemäß einer Ausführungsform der Erfindung werden die in die Zielfunktion einbezogenen Auslegungs-Zielgrößen bzw. Werte als normierte Werte ausgebildet, sind also auf einen jeweiligen Referenzwert bezogen.According to one embodiment of the invention, the design target values or values included in the target function are formed as normalized values, that is, they are related to a respective reference value.
Gemäß einer weiteren Ausführungsform der Erfindung wird für die in die Zielfunktion einbezogenen Auslegungs-Zielgrößen jeweils eine Wichtung vorgenommen, wobei der Wert jedes Parameters durch den PSO Algorithmus so eingestellt wird, dass die Zielfunktion ein Minimum erreicht.According to a further embodiment of the invention, a weighting is carried out in each case for the design target variables included in the target function, the value of each parameter being set by the PSO algorithm such that the target function reaches a minimum.
Gemäß einer Ausführungsform der Erfindung wird bei Ausführung des Particle-Swarm-Optimization-Algorithmus eine vorbestimmte Anzahl von iterationen (Schleifenwiederholungen) durchlaufen, wobei bei dem Particle-Swarm Optimization-Algorithmus die aktuelle Geschwindigkeit in jeder Dimension eines Partikels mit einem Beschränkungs-Koeffizienten multipliziert wird, und wobei in den ersten 60 Prozent der vorbestimmten Anzahl von Iterationen der Beschränkungs-Koeffizient aus gleichverteilten Zufallszahlen im Intervall [0,1; 1] ausgewählt wird und danach bis zu 100 Prozent der vorbestimmten Anzahl von Iterationen linear von einem Wert 1 bis auf einen Wert 0,2087 abnimmt.According to one embodiment of the invention, when the Particle Swarm Optimization algorithm is executed, a predetermined number of iterations (loop repeats) are traversed, whereby in the Particle Swarm Optimization algorithm the current velocity in each dimension of a particle is multiplied by a constraint coefficient , and wherein in the first 60 percent of the predetermined number of iterations, the constraint coefficient of uniformly distributed random numbers in the interval [0,1; 1] is selected and then decreases linearly from a value of 1 to a value of 0.2087, up to 100 percent of the predetermined number of iterations.
Gemäß noch einer weiteren Ausführungsform der Erfindung wird, wenn bei Ausführung des Particle-Swarm-Optimization-Algorithmus ein Partikel einen in einer bestimmten Dimension vorgegebenen Grenzwert über- oder unterschreitet, ein neuer Ort für den Partikel als gleich dem vorgegebenen Grenzwert bestimmt, wobei eine aktuelle Geschwindigkeit des Partikels als Differenz zwischen einer oberen Parameter-Grenze und vorherigem Ort des Partikels bzw. als Differenz zwischen dem vorherigen Ort des Partikels und einer unteren Parameter-Grenze bestimmt wird.According to yet another embodiment of the invention, when the Particle Swarm Optimization algorithm is executed, a particle exceeds or falls below a threshold value set in a particular dimension, a new location for the particle is determined equal to the predetermined threshold, with a current one Speed of the particle is determined as the difference between an upper parameter limit and previous location of the particle or as the difference between the previous location of the particle and a lower parameter limit.
Gemäß noch einer Ausführungsform der Erfindung erhalten beim Definieren der vorbestimmten Anzahl von Parametern für die Kontur des Steuernockens die Parameter gleichverteilten Zufallszahlen entsprechende Initialisierungswerte.According to yet another embodiment of the invention, when defining the predetermined number of parameters for the contour of the control cam, the parameters equally distributed random numbers receive corresponding initialization values.
Gemäß einer weiteren Ausführungsform der Erfindung wird nach einem abgeschlossenen Durchlauf (mit einer vorgegebenen Anzahl von Iterationen) des Particle-Swarm-Optimization-Algorithmus die Anzahl von Parametern je Parameterschar erhöht, wobei die mittels des abgeschlossenen Durchlaufs des Particle-Swarm-Optimization-Algorithmus ermittelten Werte der Parameter an einen dem abgeschlossenen Durchlauf direkt folgenden Durchlauf des Particle-Swarm-Optimization-Algorithmus übergeben werden, wobei auf Basis der übergebenen Werte der Parameter und der erhöhten Anzahl von Parametern je Parameterschar eine Interpolation durchgeführt wird und die mit der Interpolation ermittelten Werte für die Parameter als Initiailisierungswerte für den folgenden Durchlauf des Particle-Swarm-Optimization-Algorithmus verwendet werden.According to a further embodiment of the invention, after a completed pass (with a predetermined number of iterations) of the Particle Swarm Optimization algorithm, the number of parameters per parameter set is increased, which is determined by means of the completed pass of the Particle Swarm Optimization algorithm Values of the parameters are passed to a pass of the Particle Swarm Optimization algorithm directly following the completed pass, interpolation being carried out on the basis of the transferred values of the parameters and the increased number of parameters per parameter set, and the values determined for the interpolation the parameters are used as initiation values for the subsequent pass of the Particle Swarm Optimization algorithm.
Gemäß noch einer weiteren Ausführungsform der Erfindung werden als die Parameter für die Kontur des Steuernockens Punkte auf einer Stößelhubkurve definiert, wobei die Kontur des Steuernackens aus den mittels des Particle-Swarm-Optimization-Algorithmus ermittelten Werten der Parameter berechnet wird.According to yet another embodiment of the invention, as the parameters for the contour of the control cam, points are defined on a plunger lift curve, wherein the contour of the control bag is calculated from the values of the parameters determined by the Particle Swarm Optimization algorithm.
Gemäß einer Ausführungsform der Erfindung kann die Zielfunktion quadrierte Differenzen sowohl von Geschwindigkeiten als auch von Beschleunigungen benachbarter Punkte auf der Stößelhubkurve aufweisen, wobei in der Zielfunktion die Differenzen mit einem sich mit steigender Anzahl von Parametern je Parameterschar verringernden Gütefaktor multipliziert werden. According to one embodiment of the invention, the objective function may have squared differences of both speeds and accelerations of adjacent points on the ram stroke, where in the objective function the differences are multiplied by a factor of quality decreasing as the number of parameters per set of parameters increases.
Gemäß noch einer Ausführungsform der Erfindung werden bis zu einer den Wert von 36 einschließenden Anzahl von Parametern je Parameterschar zur Ermittlung der Initialisierungswerte für den direkt folgenden Durchlauf des Particle-Swarm-Optimization-Algorithmus sowohl die interpolierten Werte der Parameter aus dem abgeschlossenen Durchlauf des Particle-Swarm-Optimization-Algorithmus als auch gleichverteilte Zufallszahlen eines vorbestimmten Intervalls verwendet.According to yet another embodiment of the invention, up to a number of parameters per parameter set including the value of 36 for determining the initialization values for the directly following pass of the Particle Swarm Optimization algorithm, both the interpolated values of the parameters from the completed run of the Particle Swarm Optimization algorithm. Swarm optimization algorithm as well as equally distributed random numbers of a predetermined interval used.
Gemäß noch einer Ausführungsform der Erfindung werden ab einer Anzahl von 41 Parametern je Parameterschar zur Ermittlung der Initialisierungswerte für den direktfolgenden Durchlauf des Particle-Swarm-Optimization-Algorithmus ausschließlich die interpolierten Werte der Parameter aus dem abgeschlossenen Durchlauf des Particle-Swarm-Optimization-Algorithmus verwendet.In accordance with yet another embodiment of the invention, starting from a number of 41 parameters per parameter set for determining the initialization values for the direct pass of the Particle Swarm Optimization algorithm, only the interpolated values of the parameters from the completed pass of the Particle Swarm Optimization algorithm are used ,
Gemäß noch einer weiteren Ausführungsform der Erfindung werden als Auslegungs-Randbedingungen wenigstens ein Element, mehrere Elemente oder alle Elemente der folgenden Auslegungs-Randbedingungs-Gruppe definiert: eine aktuelle Stößelgeschwindigkeit eines mit dem Steuernocken in Zusammenwirkung zu bringenden Stößels soll kleiner als eine Grenzstößelgeschwindigkeit des Stößels sein, eine aktuelle Stößelbeschleunigung des Stößels soll kleiner als eine Grenzstößelbeschleunigung des Stößels sein, ein Nockenantriebsmoment soll minimal sein, ein zulässiger Pumpenraumdruck einer Kraftstoffpumpe soll größer als ein minimal erforderlicher Grenzpumpenraumdruck der Kraftstoffpumpe sein (steigende Stößelhubkurvenflanke), eine Grenzdrehzahl (Abhebedrehzahl) soll größer als eine Drehzahl des Steuernockens sein und ein lokaler Krümmungsradius des Nockens soll kleiner als ein Grenzkrümmungsradius sein.According to yet another embodiment of the invention, as design constraints, at least one element, multiple elements or all elements of the following design constraint group are defined: a current ram velocity of a ram to be engaged with the control cam should be less than a ram speed of the ram , a current ram acceleration of the plunger should be smaller than a limit ram acceleration of the plunger, a cam drive torque should be minimal, a permissible pump chamber pressure of a fuel pump should be greater than a minimum required Grenzpumpenraumdruck the fuel pump (rising Stößelhubkurvenflanke), a limit speed (Abhebedrehzahl) should be greater than one Be the rotational speed of the control cam and a local radius of curvature of the cam should be smaller than a limit radius of curvature.
Gemäß einer weiteren Ausführungsform der Erfindung werden als Auslegungs-Zielgrößen wenigstens ein Element, mehrere Elemente oder alle Elements der folgenden Auslegungs-Zielgrößen-Gruppe definiert: die aktuelle Stößelgeschwindigkeit, die aktuelle Stößelbeschleunigung, das aktuelle Nockenantriebsmoment, der zulässige Pumpenraumdruck, die Grenz-/Abhebedrehzahl und eine aktuelle Reibkraft des Stößels.According to a further embodiment of the invention, as design target values at least one element, several elements or all elements of the following design target group are defined: the current ram speed, the current ram acceleration, the current cam drive torque, the allowable pump room pressure, the limit / lift speed and a current frictional force of the plunger.
Gemäß weiteren Ausführungsformen der Erfindung wird mit dem erfindungsgemäßen Verfahren die Kontur eines Steuernockens für eine Brennkraftmaschine ausgelegt, wobei der Steuernocken bevorzugt zur Steuerung einer Einspritzpumpe (als „Einspritznocke”) oder zur Steuerung von Gaswechselorganen (als ”Einlassnocke” bzw. ”Auslassnocke”) vorgesehen ist.According to further embodiments of the invention, the contour of a control cam for an internal combustion engine is designed with the inventive method, wherein the control cam preferably for controlling an injection pump (as "injection cam") or to control gas exchange organs (as "inlet cam" or "Auslassnocke") is.
Im Folgenden wird die Erfindung anhand bevorzugter Ausführungsformen und unter Bezugnahme auf die beigefügten Figuren beschrieben.In the following the invention will be described with reference to preferred embodiments and with reference to the accompanying figures.
Eine Brennkraftmaschine (in den Figuren nicht gezeigt), wie ein durch einen Turbolader (in den Figuren nicht gezeigt) aufgeladener Verbrennungsmotor (z. B. Dieselmotor), weist eine Vielzahl von funktionalen Baugruppen auf, wobei in der Brennkraftmaschine mehrere Prozesse parallel und teilweise ineinander verzahnt ablaufen. Eine beispielhafte Einteilung für einen Entwicklungsprozess für die Brennkraftmaschine ist in der folgenden Tabelle 1 gezeigt:
Im Folgenden wird unter Bezugnahme auf die
Ziel ist die Entwicklung einer optimalen Kontur eines Steuernockens, abhängig von allen vorgegebenen Kriterien und Beschränkungen, die an den Nocken und die angrenzenden Bauteile gestellt werden. Die gesamte Kontur des Steuernockens wird durch eine im Vorfeld festgelegte Anzahl von Stützstellen diskretisiert. Die Anzahl der Stützstellen wird in der Regel durch das verwendete Fertigungsverfahren bestimmt.The aim is to develop an optimal contour of a control cam, depending on all given criteria and limitations that are placed on the cams and the adjacent components. The entire contour of the control cam is discretized by a pre-set number of nodes. The number of nodes is usually determined by the manufacturing process used.
Wie in
Eine optimale Steuernockenkontur erfüllt die an sie gestellten Anforderungen (z. B. aus einem Lastenheft, konstruktive Gesichtspunkte usw.) an jeder einzelnen Stützstelle. Es wird daher eine freie Hubkurve (Stößelhubkurve) der Stößelrolle
Die wie in
Die äußerst komplexen Berechnungen und die Vielzahl von einzuhaltenden Randbedingungen und Zielgrößen erfordern ein geschlossenes Optimierungsverfahren, um eine optimale Kontur für den Steuernocken
Diese Anforderungen erfüllt in besonders zielführender Weise der Particle Swarm Optimization (PSO) – Algorithmus. Der PSO-Algorithmus ist robust, effektiv und schnell und kann für nahezu beliebige mathematische Zusammenhänge herangezogen werden. Als Parameter für die Auslegung der Kontur des Steuernockens
Die Parameter werden durch andere Kriterien aus der Konturauslegung beeinflusst, die als Auslegungs-Randbedingungen ebenfalls zu berücksichtigen sind: eine aktuelle Stößelgeschwindigkeit der Stößelrolle
Um eine optimale Kontur für den Steuernocken
Die Auslegungs-Randbedingungen, Auslegungs-Zielgrößen und Parameter für die Auslegung der Kontur eines Steuernockens einer Brennkraftmaschine gemäß einer Ausführungsform der Erfindung sind in den nachstehenden Tabellen 2 bis 4 aufgelistet, wobei die dort aufgezeigten Grenzwerte von für jeden Anwendungsfall zu spezifizierenden numerischen Werten gebildet sind.
Die in Tabelle 3 genannten Auslegungs-Zielgrößen können normiert (auf einen jeweiligen Referenzwert bezogen) und in einer Gütefunktion (Zielfunktion), die am Ende der Berechnungen aufgestellt wird, je nach Optimierungsziel gewichtet und mit dem entsprechenden Vorzeichen aufsummiert werden. Im vorliegenden Anwendungsfall wird der Wert der Gütefunktion mit dem PSO-Algorithmus minimiert. Somit tragen in der Zielfunktion bzw. Gütefunktion zu minimierende Auslegungs-Zielgrößen einpositives Vorzeichen, während zu maximierende Auslegungs-Zielgrößen ein negatives Vorzeichen haben. The design target variables listed in Table 3 can be normalized (based on a respective reference value) and weighted in a quality function (objective function), which is set up at the end of the calculations, depending on the optimization target and summed up with the corresponding sign. In the present application, the value of the quality function is minimized with the PSO algorithm. Thus, design goals to be minimized in the objective function or quality function have a positive sign, while design parameters to be maximized have a negative sign.
Am Ende eines Berechnungsgangs werden als Ergebnis die berechneten Stützstellen des Stößelrollenhubes (entsprechend einer Stößelhubkurve) ausgegeben, welche dann in die Punkte einer optimalen Steuernockenkontur umgerechnet werden.At the end of a calculation cycle, the calculated support points of the tappet roller stroke (corresponding to a tappet stroke curve) are output as the result, which are then converted into the points of an optimal control cam contour.
Da der PSO-Algorithmus sowohl lokale Optima als auch das globale Optimum der aufgestellten Zielfunktion finden kann, können bei wiederholten Berechnungen mehrere verschiedene optimale Steuernockenkonturen gefunden werden. Die Geschwindigkeiten v der Stößelrolle
Zur Bestimmung einer Flächenpressung zwischen dem Steuernocken
Die Beanspruchung des Steuernockens
Die mathematische Beschreibung der Dynamik der Steuernocken-Stößelrolle-Anordnung
Mit dem PSO-Algorithmus ist es möglich, die Kontur des Steuernockens
In Anlehnung an natürliche Schwärme, wie Vogelschwärme oder Fischschwärme, beinhaltet der PSO-Algorithmus eine Population von Partikeln, welche den Schwarm darstellt. Jedes dieser Partikeln besitzt eine eindeutige Position innerhalb eines vorgegebenen, multidimensionalen Suchraums, welcher gleichzeitig den Definitionsbereich einer gegebenen zu optimierenden Funktion bzw. Zielfunktion darstellt.Based on natural swarms, such as bird swarms or schools of fish, the PSO algorithm involves a population of particles representing the swarm. Each of these particles has a unique position within a given, multidimensional search space, which simultaneously represents the domain of definition of a given function or objective function to be optimized.
Gemäß der Erfindung werden als Partikeln für die Ausführung des PSO-Algorithmus eine vorbestimmte Menge von jeweils eine vorbestimmte Anzahl von Parametern (Punkten gemäß einer wie in
Zusätzlich besitzt jeder Partikel noch einen Geschwindigkeitsvektor pro Parameter, welcher die Richtung und Länge der Bewegung jedes einzelnen Parameters aufzeigt. Diese Geschwindigkeitsvektoren werden anfänglich entweder basierend auf Erfahrungswerten oder zufällig initialisiert.In addition, each particle still has one velocity vector per parameter, which indicates the direction and length of movement of each individual parameter. These velocity vectors are initially initialized based either on empirical values or randomly.
Die Partikeln starten nun an den initialisierten Positionen und bewegen sich durch den Suchraum, wobei an ihrer Position jeweils der Zielfunktionswert evaluiert wird. Ziel ist es gemäß dieser Ausführungsform der Erfindung, eine minimale Zielfunktionsstelle zu finden. Die Bewegung der Partikeln ist dabei abhängig von den jeweiligen Geschwindigkeitsvektoren und Positionen der jeweils besten bisher gefundenen Ergebnisse der Zielfunktion sowohl von benachbarten Partikeln als auch von sich selbst.The particles now start at the initialized positions and move through the search space, whereby the target function value is evaluated at each position. The goal is according to this embodiment of the invention to find a minimum target function point. The movement of the particles is dependent on the respective velocity vectors and positions of the respective best results of the target function found so far, both of adjacent particles and of themselves.
Ein abstraktes Schema (Pseudo-Code für den Ablauf des PSO-Algorithmus zur Lösung statischer Problemstellungen) stellt sich wie folgt dar: Initialisiere eine Population von Partikeln mit Positionen und Geschwindigkeiten jedes Partikels in D Dimensionen im Suchraum
- WIEDERHOLE
- Für jeden Partikel führe aus
- Ermittle Zielfunktionswert an der Stelle der aktuellen Position des
- Partikels
- Ende
- Für jeden Partikel führe aus
- Aktualisieren der persönlich besten Position des
- Partikels
- Ende
- Aktualisieren der globalen besten Position
- Für jeden Partikel führe aus
- Aktualisieren des Geschwindigkeitsvektors
- Neue Position berechnen
- Ende
- BIS Abbruchkriterium erfüllt
- REPEAT
- For each particle perform
- Determine target function value at the location of the current position of the
- particle
- The End
- For each particle perform
- Updating the personal best position of the person
- particle
- The End
- Update the global best position
- For each particle perform
- Update the speed vector
- Calculate new position
- The End
- BIS Abort criterion met
Gemäß diesem sehr einfachen Schema starten die Partikeln an z. B. zufälligen Positionen und evaluieren ihre Lösungsqualität (Zielfunktionswert). Dann werden die lokal besten Positionen und die global besten Positionen vom PSO-Algorithmus gespeichert (hierfür werden Variablen vorgesehen, welche diese Positionen innehaben) und danach werden für jeden Partikel neue Geschwindigkeiten und neue Positionen berechnet, welche von den gespeicherten besten Ergebnissen abhängen. Die Position eines Partikels im Suchraum setzt sich aus den einzelnen Positionen in den einzelnen Dimensionen zusammen. Dieses soll mittels der folgenden Zielfunktionsoptimierung genauer erläutert werden.According to this very simple scheme, the particles start at z. For example, random positions and evaluate their solution quality (objective function value). Then, the best local positions and the best global positions are stored by the PSO algorithm (providing variables that hold these positions), and then new speeds and new positions are calculated for each particle, which depend on the stored best results. The position of a particle in the search space is composed of the individual positions in the individual dimensions. This will be explained in more detail by means of the following objective function optimization.
Gegeben seien die Lösungsproblem-Dimensionen D {Anzahl der Dimensionen des Suchraums) und die zu optimierende Zielfunktion:
Der PSO-Algorithmus hat nun die Aufgabe, das globale Extremum der Zielfunktion zu finden (in der vorliegenden Ausführungsform: MINIMUM).The PSO algorithm now has the task of finding the global extremum of the objective function (in the present embodiment: MINIMUM).
Dazu wird eine Anzahl m von Partikeln zugrunde gelegt. Für jeden dieser Anzahl von Partikeln speichert der PSO-Algorithmus die Positionen xm = (x11, ..., xmD) und die Geschwindigkeit vm = (v11, ..., vmD) sowohl des aktuellen Iterationsschrittes t als auch des vorangegangenen Iterationsschrittes t – 1 jeweils von der Dimension D.This is based on a number m of particles. For each of these numbers of particles, the PSO algorithm stores the positions x m = (x 11 , ..., x mD ) and the velocity v m = (v 11 , ..., v mD ) both of the current iteration step t as also of the preceding iteration step t - 1 in each case of the dimension D.
Um die besten Positionen eines jeden Partikels verarbeiten zu können, wird eine weitere Variable pm = (p11, ..., pmD) eingeführt und verwaltet. Der Standort eines jeden Partikels im D-dimensionalen Suchraum bestimmt sich aus einer konkreten Position in der Dimension D. Zusätzlich gibt es noch einen Index g, welcher das Partikel mit den global besten Positionen identifiziert.In order to process the best positions of each particle, another variable p m = (p 11 , ..., p mD ) is introduced and managed. The location of each particle in the D-dimensional search space is determined from a concrete position in dimension D. In addition, there is an index g, which identifies the particle with the best global positions.
Somit ist der PSO-Algorithmus derart eingerichtet, dass damit eine Optimierung durchführbar ist.Thus, the PSO algorithm is set up so that an optimization can be carried out.
Im Folgenden soll dargestellt werden, wie die Aktualisierung der Geschwindigkeitsvektoren für jeden Partikel und die Berechnung der neuen Positionen eines jeden Partikels realisierbar ist.The following is intended to illustrate how the updating of the velocity vectors for each particle and the calculation of the new positions of each particle can be realized.
Zur Aktualisierung der Geschwindigkeitsvektoren eines jeweiligen Partikels werden die bisherigen besten Positionen der Partikeln der Nachbarschaft und die bisher beste Position des jeweiligen Partikels selbst herangezogen.To update the velocity vectors of a respective particle, the previous best positions of the particles of the neighborhood and the best position of the respective particle itself are used.
Die Nachbarschaft kann je nach gewähltem Schema unterschiedliche Topologien aufweisen und beschreibt den Informationsaustausch der Partikeln untereinander bzgl. der besten bisher gefundenen Positionen. Die gebräuchlichsten Soziometrien sind die sogenannten gbest und lbest Topologien, wo jedes Partikel durch die beste bisherige Position des gesamten Schwarms bzw. durch die beste bisherige Position der Partikeln in der direkten Nachbarschaft beeinflusst wird. Die Topologiemuster beeinflussen das Schwarmverhalten hinsichtlich Konvergenzrate und Parallelitätsgrad der Suche.Depending on the chosen scheme, the neighborhood can have different topologies and describes the exchange of information among the particles with regard to the best positions found so far. The most common sociometries are the so-called gbest and lbest topologies, where each particle is affected by the best previous position of the entire swarm or by the best previous position of the particles in the immediate vicinity. The topology patterns influence the swarm behavior in terms of convergence rate and degree of parallelism of the search.
Dies soll gewährleisten, dass sich die Partikeln in einem bestimmten Ausmaß in die Richtung der besten selbst gefundenen Positionen und in einem bestimmten Ausmaß in die Richtung der bislang besten gefundenen Positionen des Schwarms bewegen. Zur Bestimmung bzw. Beeinflussung des jeweiligen Ausmaßes sind die Parametern und r vorgesehen.This is to ensure that the particles are to some extent in the direction of the best self-found positions and to a certain extent in the direction of the best found so far Move positions of the swarm. For determining or influencing the respective extent, the parameters and r are provided.
Eine allgemeine Form einer Gleichung zum Bestimmen des neuen Geschwindigkeitsvektors für eine Dimension eines Partikels lautet wie folgt:
In Gleichung (2) sind vm(t) und xm(t) Vektoren im D-dimensionalen Suchraum. Die Addition ist somit eine Vektoraddition und geometrisch einfach durch das Zusammenfügen zweier Vektoren zu interpretieren. Im Folgenden werden die einzelnen Komponenten des aus den Summanden der obigen Formel bestehenden neuen Vektors vmD(t) erläutert.In equation (2), v m (t) and x m (t) are vectors in the D-dimensional search space. The addition is thus a vector addition and geometrically easy to interpret by combining two vectors. In the following, the individual components of the new vector v mD (t) consisting of the summands of the above formula are explained.
Die Komponente w ist eine Wichtung bzw. die Trägheit der Geschwindigkeit und bestimmt den Einfluss der alten (vorherigen) Geschwindigkeit eines Auslegungs-Parameters und wird als Inertia Weight bezeichnet. Damit kann der alte Geschwindigkeitsvektor um den Faktor w gestaucht bzw. gestreckt werden. Die Komponente w kann z. B. so implementiert werden, dass sich ihr Wert linear zum Zeitverlauf ändert:
Der Vektor pm bezeichnet die besten Positionen eines Partikels in der Dimension D. Somit ist der Term (pmD – xmD(t – 1)) derjenige Vektor, der von der aktuellen Position des Partikels m zur bisher besten Position in der Dimension D des Partikels m zeigt. Dieser Vektor kann um den Faktor n1·r1 gestaucht bzw. gestreckt werden, wobei n1 ein sogenannter Beschleunigungskoeffizient ist und r1 eine gleichverteilte Zufallszahl aus dem Intervall [0,1] ist. Der Faktor n1 entspricht einem kognitiven Parameter, da er die Bewegung des Partikels im Hinblick auf seine besten bisherigen Positionen im D-dimensionalen Raum steuert. Ebenso wie n2 ist er in Standardapplikationen eine positive Konstante, deren Wert üblicherweise mit 2,05 verwendet wird.The vector p m denotes the best positions of a particle in the dimension D. Thus, the term (p mD -x mD (t-1)) is the vector which is from the current position of the particle m to the best position so far in the dimension D of the particle m. This vector can be compressed or stretched by the factor n 1 · r 1 , where n 1 is a so-called acceleration coefficient and r 1 is an equally distributed random number from the interval [0,1]. The factor n 1 corresponds to a cognitive parameter, since it controls the movement of the particle with respect to its best previous positions in the D-dimensional space. Like n 2 , in standard applications it is a positive constant whose value is commonly used at 2.05.
Somit ist klar, dass der Vektor auf die bislang beste Position minimal ein Nullvektor ist und maximal um den Faktor n1 verlängert wird. Dieser Einfluss auf die neue Geschwindigkeit wird durch die Zufallszahl r1 gesteuert, so dass das Aktualisieren der Geschwindigkeit randomisierte Einflüsse hat.Thus, it is clear that the vector is minimally a zero vector to the best position so far and is lengthened maximally by the factor n 1 . This influence on the new speed is controlled by the random number r 1 , so that the updating of the speed has randomized influences.
Die letzte Komponente des neuen Geschwindigkeitsvektors ist ähnlich zu der gerade beschriebenen, nur dass damit ein Vektor von der aktuellen Position auf die global beste Position pgD unter allen Partikeln des Schwarms gebildet wird.The last component of the new velocity vector is similar to that just described, except that it forms a vector from the current position to the best global position p gD among all the particles of the swarm.
Die Parameter n2 und r2 haben hierbei die gleiche Funktion wie n1 und r1 und beeinflussen hiermit das Ausmaß, mit dem der neue Geschwindigkeitsvektor in Richtung zu der global besten Position im D-dimensionalen Raum hin tendiert. Daher wird n2 auch als sozialer Parameter bezeichnet, der ebenfalls wie n1 in Standardapplikationen mit 2,05 angegeben wird.The parameters n 2 and r 2 have the same function as n 1 and r 1 and hereby influence the extent to which the new velocity vector tends toward the best global position in the D-dimensional space. Therefore, n 2 is also referred to as the social parameter, which is also given as n 1 in standard applications with 2.05.
Die neue Position des Partikels im D-dimensionalen Raum wird nun dadurch bestimmt, dass die alte Position mit dem neuen Geschwindigkeitsvektor addiert wird. Geometrisch bewegt sich das Partikel von der alten Position entlang des neuen Geschwindigkeitsvektors und erhält damit die neue Position, wie nachstehend definiert:
Zur optimalen Auslegung der Kontur des Steuernockens
Gemäß der Erfindung wird unter Einbeziehung einer bestimmten Anzahl der definierten Auslegungs-Zielgrößen eine Zielfunktion bzw. Gütefunktion für den PSO-Algorithmus definiert und werden unter Verwendung des PSO-Algorithmus Werte für die Parameter jedes Partikels ermittelt, so dass unter Berücksichtigung einer bestimmten Anzahl (bevorzugt alle) der Auslegungs-Randbedingungen auf jeweilige Optimierungsziele (siehe Tabelle 3, rechte Spalte) optimierte Werte der Auslegungs-Zielgrößen für die Kontur des Steuernockens
Für die in die Zielfunktion einbezogenen Auslegungs-Zielgrößen wird jeweils eine Wichtung vorgenommen, wobei der Wert jedes Parameters durch den PSO-Algorithmus so eingestellt wird, bis die Zielfunktion ein Minimum erreicht.A weighting is performed on each of the design target variables included in the objective function, with the value of each parameter being adjusted by the PSO algorithm until the objective function reaches a minimum.
Bevorzugt werden alle definierten Auslegungs-Zielgrößen zur Definition der Zielfunktion herangezogen.Preferably, all defined design target variables are used to define the target function.
Beispielhaft könnte eine Zielfunktion für die optimale Auslegung der Kontur des Steuernockens
In der Zielfunktion befinden sich somit erfindungsgemäß mittels Gewichtungsfaktoren gewichtete Auslegungs-Zielgrößen. Zu minimierende Auslegungs-Zielgrößen erhalten ein positives Vorzeichen, während zu maximierende Auslegungs-Zielgrößen ein negatives Vorzeichen erhalten. In die Zielfunktion bzw. Gütefunktion können außerdem eine Reihe von Straftermen (nicht dargestellt) einfließen. Werden Auslegungs-Randbedingungen nicht erfüllt, erhält ein Strafterm einen positiven Wert, sodass der Optimierer bzw. der PSO-Algorithmus versucht, die Parameter so zu wählen, dass der Strafterm entfällt, die Zielfunktion also minimiert wird.In the objective function, weighting factors are thus weighted according to the invention. Design target sizes to be minimized receive a positive sign, while design target sizes to be maximized receive a negative sign. In addition, a series of penalty terms (not shown) can be included in the objective function or quality function. If design boundary conditions are not met, a penalty value is given a positive value, so that the optimizer or the PSO algorithm attempts to select the parameters in such a way that the penalty term is eliminated, ie the objective function is minimized.
Jegliche Wichtungen für die Optimierung der Kontur des Steuernockens
Erfindungsgemäß wurde der PSO-Algorithmus weiterentwickelt und an die Problemstellung der Optimierung der Kontur des Steuernockens
Zudem wird nicht ein einziger Optimierungsdurchlauf für alle Freiheitsgrade/Parameter zusammen vollzogen, sondern die Optimierungsaufgabe wird in mehrere Teilschritte zerlegt. Aufgrund der Anzahl der Freiheitsgrade sowie des zu lösenden Optimierungsproblems ist die Aufgabe zu komplex, um in einem Optimierungsdurchlauf gelöst werden zu können. Theoretisch ist dies möglich, jedoch ist der zu erwartende Aufwand bzw. die zu erwartende Zeitspanne bis zur Lösungsfindung unverhältnismäßig hoch.In addition, not a single optimization pass for all degrees of freedom / parameters is performed together, but the optimization task is broken down into several sub-steps. Due to the number of degrees of freedom as well as the optimization problem to be solved, the task is too complex to be solved in an optimization run. Theoretically, this is possible, but the expected effort or the expected time to solution is disproportionately high.
Daher wird die gesamte Optimierungsaufgabe (die Generierung einer optimalen Steuernockenkontur) in mehrere Teilaufgaben zerlegt. Ausgehend von einer geringen Anzahl von Parametern/Stützstellen, die die in der Zielfunktion bzw. Gütefunktion und den Auslegungs-Randbedingungen aufgestellten Anforderungen erfüllen, wird mit jedem Optimierungsdurchlauf die Anzahl der Freiheitsgrade (Anzahl der Parameter je Parameterschar) erhöht, wie in
Zunächst startet das Programm mit der Initialisierung der Partikeln. Jeder Partikel ist dadurch charakterisiert, dass er eine Lösungskombination der Parameter bzw. Freiheitsgrade trägt, also von einer Parameterschar bestimmter Anzahl von Parameter gebildet ist. Jeder Parameter stellt einen Punkt auf der Stößelhubkurve (siehe
Mit fortschreitender Berechnung wird die Kontur der Stößelhubkurve generiert. Auf der jeweils linken Seite der
Jeweils in der Mitte der
Über die im Programm vorgegebenen Schrittweiten der Freiheitsgrade wird dieser Prozess fortgesetzt, bis am Ende eine Steuernocke
Die Ergebnisse eines Optimierungslaufes werden an den folgenden Optimierungslauf mit der nächsthöheren Freiheitsgradanzahl weitergegeben. Dazu wird jeweils eine 1-D-Daten-Interpolation aus den Ergebnissen und der nächsthöheren Freiheitsgradanzahl erstellt. Diese neuen Stützstellen dienen als Initialisierungslösungen für den Partikelschwarm in der nächsthöheren Optimierungsstufe. Die Berechnung startet mit 8 Freiheitsgraden. Die dortige Initialisierung erfolgt mit gleichverteilten Zufallszahlen. Es hat sich als erfolgreich erwiesen, die Initialisierung mit freien Werten vorzunehmen und dann die Ergebnisse weiterzureichen. Die resultierende Steuernockenkontur ist also völlig frei entstanden und resultiert nicht aus einer beispielsweise vorgegebenen Cosinus-Funktion.The results of an optimization run are passed on to the next optimizer run with the next highest degree of freedom. For this purpose, a 1-D data interpolation is created from the results and the next highest degree of freedom. These new nodes serve as initialization solutions for the particle swarm in the next higher optimization stage. The calculation starts with 8 degrees of freedom. The initialization takes place with equally distributed random numbers. It has proved successful to initialize with free values and then pass the results on. The resulting control cam contour is thus created completely free and does not result from an example given cosine function.
Mit anderen Worten wird nach einem abgeschlossenen Durchlauf des PSO-Algorithmus die Anzahl von Parametern je Parameterschar erhöht, wobei die mittels des abgeschlossenen Durchlaufs des PSO-Algorithmus ermittelten Werte der Parameter an einen dem abgeschlossenen Durchlauf direkt folgenden Durchlauf des PSO-Algorithmus übergeben werden, wobei auf Basis der übergebenen Werte der Parameter und der erhöhten Anzahl von Parametern je Parameterschar eine Interpolation durchgeführt wird und die mit der Interpolation ermittelten Werte für die Parameter als Initialisierungswerte für den folgenden Durchlauf des PSO-Algorithmus verwendet werden.In other words, after a completed pass of the PSO algorithm, the number of parameters per parameter set is increased, passing the values of the parameters determined by the completed pass of the PSO algorithm to a pass of the PSO algorithm directly following the completed pass, On the basis of the transferred values of the parameters and the increased number of parameters per parameter set, an interpolation is performed and the values of the parameters determined with the interpolation are used as initialization values for the following pass of the PSO algorithm.
Bis zu einer Freiheitsgradanzahl von einschließlich 36 werden als Initialisierung sowohl die interpolierten Ergebnisse des vorherigen Berechnungslaufes als auch gleichverteilte Zufallszahlen im Intervall von 0 bis zum einem maximalen Stößelhub verwendet. Ab einer Freiheitsgradanzahl von 41 werden nur noch die interpolierten Ergebnisse des vorherigen Berechnungslaufes angewendet.Up to a degree of freedom of 36 inclusive, both the interpolated results of the previous calculation run and evenly distributed random numbers in the interval from 0 to a maximum ram stroke are used as initialization. From a degree of freedom of 41, only the interpolated results of the previous calculation run are applied.
Mit anderen Worten werden bis zu einer den Wert von 36 einschließenden Anzahl von Parametern je Parameterschar zur Ermittlung der Initialisierungswerte für den direkt folgenden Durchlauf des PSO-Algorithmus sowohl die interpolierten Werte der Parameter aus dem abgeschlossenen Durchlauf des PSO-Algorithmus als auch gleichverteilte Zufallszahlen eines vorbestimmten Intervalls verwendet. Ab einer Anzahl von 41 Parametern je Parameterschar werden zur Ermittlung der Initialisierungswerte für den direkt folgenden Durchlauf des PSO-Algorithmus ausschließlich die interpolierten Werte der Parameter aus dem abgeschlossenen Durchlauf des PSO-Algorithmus verwendet.In other words, up to a number of parameters per parameter set including the value of 36 for determining the initialization values for the directly following pass of the PSO algorithm, both the interpolated values of the parameters from the completed run of the PSO algorithm and evenly distributed random numbers of a predetermined one Interval used. From a number of 41 parameters per parameter set, only the interpolated values of the parameters from the completed run of the PSO algorithm are used to determine the initialization values for the directly following pass of the PSO algorithm.
Ein entsprechendes Programmfenster bietet im Anschluss an die Berechnungen die Möglichkeit, alle Betriebsdaten des Steuernockens
Desweiteren beinhaltet die hierin beschriebene Optimierung einige Besonderheiten. Eine integrale Weiterentwicklung des verwendeter PSO-Algorithmus im Vergleich zur Ursprungsversion ist die Verwendung eines sogenannten Beschränkungs- bzw. Constriction-Koeffizienten, der die Vergabe der sensiblen Größe vmax eliminiert. In den bisher verwendeten Versionen des PSO-Algorithmus bestimmt die Größe vmax die maximal zulässige Geschwindigkeit eines Partikels in einer Dimension, wie beispielsweise in
Ein zu klein gewählter Beschränkungs-Koeffizient lässt nur eine sehr begrenzte lokale Suche zu, ein zu hoher Wert kann zu massiver Einschränkung der lokalen Sucheigenschaft führen. Der Beschränkungs-Koeffizient bestimmt die Bewegungsfreiheit der Partikeln im Suchraum. Die Gleichung zur Berechnung der aktuellen Partikelgeschwindigkeit (Gleichung (2) ohne w bzw. Inertia Weight) wird dabei mit dem Wert des Beschränkungs-Koeffizienten multipliziert. Es hat sich als zielführend erwiesen, den Koeffizienten in den ersten 60 Prozent der Iterationen mit gleichverteilten Zufallszahlen im Intervall [0,1; 1] zu wählen. Danach nimmt er bis zum Ende aller Iterationen linear von 1 auf 0,2087 ab, wie in
Diese Strategie gewährt den Partikeln genügend Bewegungsfreiheit, um ein im stochastischen Teil der Beschränkungs-Koeffizient-Vergabe gefundenes Optimum sicher als Konvergenzpunkt zu erreichen. Der Wert 1 ist empirisch ermittelt worden, während der Beschränkungs-Koeffizient-Endwert von 0,2087 auf die in
Im Fazit werden bei Durchführung des PSO-Algorithmus eine vorbestimmte Anzahl von Iterationen durchlaufen, wobei bei dem PSO-Algorithmus eine aktuelle Partikelgeschwindigkeit der Partikeln mit einem Beschränkungs-Koeffizienten multipliziert wird, und wobei in den ersten 60 Prozent der vorbestimmten Anzahl von Iterationen der Beschränkungs-Koeffizient aus gleichverteilten Zufallszahlen im Intervall [0,1; 1] ausgewählt wird und danach bis zu 100 Prozent der vorbestimmten Anzahl von Iterationen linear von einem Wert 1 bis auf einen Wert 0,2087 abnimmt.The conclusion is that when the PSO algorithm is performed, a predetermined number of iterations are run through, wherein in the PSO algorithm, an actual particle velocity of the particles is multiplied by a constraint coefficient, and wherein in the first 60 percent of the predetermined number of iterations, the constraint Coefficient of uniformly distributed random numbers in the interval [0,1; 1] is selected and then decreases linearly from a value of 1 to a value of 0.2087, up to 100 percent of the predetermined number of iterations.
Als ebenso wichtig hat sich die Wahl eines geeigneten Grenzverletzungsverhaltens bei Durchführung des PSO-Algorithmus herausgestellt. Dieses beschreibt bzw. steuert das Verhalten der Partikeln, wenn bei der Berechnung einer neuen Geschwindigkeit und nachfolgend eines neuen Ortes in einer Dimension eines Partikels eine Verletzung des zulässigen Bereiches auftritt. Für den Anwendungsfall der Optimierung einer Steuernockenkontur ist es erfolgsentscheidend, wie dieses Grenzverletzungsverhalten gewählt wird.Equally important has been the selection of a suitable limit violation behavior when implementing the PSO algorithm. This describes or controls the behavior of the particles if a violation of the permissible range occurs when calculating a new speed and subsequently a new location in a dimension of a particle. For the application of optimizing a control cam contour, it is crucial for success how this limit violation behavior is selected.
Die vorliegende Version des PSO-Algorithmus verwendet folgenden Mechanismus: Wenn bei Durchführung des PSO-Algorithmus ein Partikel einen in einer bestimmten Dimension vorgegebenen Grenzwert über- oder unterschreitet, wird ein neuer Ort für den Partikel als gleich dem vorgegebenen Grenzwert bestimmt, wobei eine aktuelle Geschwindigkeit des Partikels als Differenz zwischen einer oberen Parameter-Grenze und vorherigem Ort des Partikels bzw. als Differenz zwischen dem vorherigen Ort des Partikels und einer unteren Parameter-Grenze bestimmt wird.The present version of the PSO algorithm uses the following mechanism: If, when performing the PSO algorithm, a particle exceeds or falls below a limit specified in a given dimension, a new location for the particle is determined to be equal to the predetermined limit, where a current velocity of the particle is determined as the difference between an upper parameter boundary and previous location of the particle or as the difference between the previous location of the particle and a lower parameter boundary.
Eine weitere Besonderheit bei der hier beschriebenen Optimierung einer Steuernockenkontur ist die Verwendung eines dynamischen Gütefaktors. Für die Nichterfüllung von Auslegungs-Randbedingungen werden relativ hohe Strafwerte an die Zielfunktion bzw. Gütefunktion vergeben. Hat beispielsweise ein Partikel mit seinen Parametern (Stößelhüben) an einer Stelle (Parameter) eine unzulässig hohe Beschleunigung, so wird für diesen Parameter ein Strafterm vergeben.Another special feature of the optimization of a control cam contour described here is the use of a dynamic quality factor. For non-compliance with design boundary conditions, relatively high penalty values are awarded to the objective function or quality function. If, for example, a particle with its parameters (plunger strokes) has an impermissibly high acceleration at one point (parameter), then a penalty is assigned for this parameter.
Generell heben sich die Strafterme in den Werten von den Optimierungszielen ab. Die Optimierungsziele und die Strafterme sind in der Gütefunktion enthalten und werden dort im vorliegenden Anwendungsfall aufsummiert (Suche des Optimierungsalgorithmus nach einem Minimum). In diesem Zusammenhang werden relativ hohe Strafwerte vergeben, sobald Auslegungs-Randbedingungen nicht erfüllt sind. Durch die vergleichsweise hohen Strafwerte ist gewährleistet, dass zunächst alle Auslegungs-Randbedingungen eingehalten werden.In general, the penalty terms in the values stand out from the optimization goals. The optimization goals and the penalty terms are included in the merit function and are summed up there in the present application case (search of the optimization algorithm to a minimum). In this context, relatively high sentences are awarded as soon as design boundary conditions are not fulfilled. The comparatively high punitive values ensure that all design boundary conditions are initially met.
Prinzipiell erfolgt danach die Optimierung der Steuernockenkontur. Der Schwarm konvergiert bei einem erfolgreichen Berechnungsdurchlauf auf ein Minimum. Dieses Minimum ist durch die Erfüllung aller Auslegungs-Randbedingungen (d. h. keine Strafterme) und eine entsprechende Steuernockenkontur (Minimierung der im Folgenden definierten Differenzen) charakterisiert.In principle, then the optimization of the control cam contour. The swarm converges to a minimum on a successful computation pass. This minimum is characterized by the satisfaction of all design constraints (i.e., no penalty term) and a corresponding control cam contour (minimization of the differences defined below).
Im Wesentlichen wird die Steuernockenkontur dadurch generiert, dass die Differenzen sowohl der Beschleunigungen als auch der Geschwindigkeiten benachbarter Punkte auf der Stößelhubkontur gebildet und anschließend quadriert werden. Durch das Quadrieren werden positive und negative Werte der Differenzen gleichermaßen gewertet. Zudem wird sichergestellt, dass der resultierende Gütewert immer positiv ist und somit die Richtung der Optimierung (Suche eines Minimums) beibehalten wird. Die Einbindung der Minimierung der quadrierten Differenzen aus den Geschwindigkeiten und Beschleunigungen benachbarter Punkte stellt ein Verrunden der Steuernockenkontur dar. Die Verwendung der Minimierung der quadrierten Differenzen aus den benachbarten Punkten auf der Stößelhubkurve resultiert in einem linearen Stößelhubkurvenverlauf.In essence, the cam contour is generated by taking the differences in both the accelerations and the speeds of adjacent points on the ram stroke contour and then squared. Squaring evaluates positive and negative values of the differences equally. It also ensures that the resulting quality value is always positive, thus maintaining the direction of optimization (minimum search). The inclusion of minimizing the squared differences from the speeds and accelerations of adjacent points ceases Rounding the cam contour. Using the minimization of the squared differences from the adjacent points on the ram stroke results in a linear ram stroke curve.
Mit steigender Anzahl der Freiheitsgrade steigt ebenso die Summe der oben genannten Differenzen. Damit diese nicht derart große Werte annehmen, dass die Randbedingungsstrafen überlagert werden, wird ein Gütefaktor eingeführt. Mit steigender Parameteranzahl (Freiheitsgradanzahl) wird der Gütefaktor geringer. Die sogenannten Differenzen werden mit dem Gütefaktor multipliziert. Somit legt der Fokus der Optimierung weiterhin auf der Erfüllung der Auslegungs-Randbedingungen bzw. Nebenbedingungen und anschließend auf der Generierung und Verrundung der Steuernockenkontur.As the number of degrees of freedom increases, so does the sum of the above-mentioned differences. So that these do not take such large values that the marginal conditions penalties are superimposed, a quality factor is introduced. As the number of parameters (number of degrees of freedom) increases, the quality factor becomes smaller. The so-called differences are multiplied by the quality factor. Thus, the focus of the optimization continues to be on the fulfillment of the design boundary conditions or constraints and subsequently on the generation and rounding of the control cam contour.
Im Fazit ist in Bezug auf den erfindungsgemäß genutzten PSO-Algorithmus noch zu bemerken, dass dieser gemäß Ausführungsformen der Erfindung basierend auf den in dem Dokument
Weitere Möglichkeiten zur Durchführung bzw. Realisierung des erfindungsgemäß genutzten PSO-Algorithmus und einer bedarfsabhängigen Adaptierung dessen sind in der Seminarausarbeitung der Universität Dortmund von Niels Pothmann, Seminar
BezugszeichenlisteLIST OF REFERENCE NUMBERS
- 11
- Steuernocken-Stößelrollen-AnordnungCam-follower roller assembly
- 1010
- Steuernockencontrol cam
- 1111
- NockenmittelpunktCam center
- 2020
- Stößelrolletappet roller
- hN h N
- Nockenerhebungcam lobe
- ee
- Desachsierungaxial offset
- αα
- Vorlaufwinkellead angle
- hH
- Stößelhubram stroke
- L1L1
- Achsabstand ohne DesachsierungCenter distance without desalination
- LL
- Achsabstand mit DesachsierungCenter distance with offset
- RR R R
- Rollenradiusroller radius
- RG R G
- Grundradiusbase radius
- Md M d
- NockenantriebsmomentCam drive torque
- vv
- aktuelle Stößelgeschwindigkeitcurrent ram speed
- vGrenze v limit
- GrenzstößelgeschwindigkeitCross ram speed
- aa
- aktuelle Stößelbeschleunigungcurrent ram acceleration
- aGrenze a border
- GrenzstößelbeschleunigungCross slide acceleration
- pzul p perm
- zulässiger Pumpenraumdruckpermissible pump chamber pressure
- pGrenze p limit
- GrenzpumpenraumdruckBorder pump chamber pressure
- npGrenz n pGrenz
- GrenzdrehzahlLimit speed
- nGrenze n limit
- Grenzdrehzahl SteuernockenLimit speed control cam
- RPRP
- lokaler Krümmungsradius Steuernockenlocal radius of curvature control cam
- RPGrenze RP limit
- Grenzkrümmungsradius SteuernockenBoundary curvature radius control cam
- FReib F rubbing
- Reibkraft der Stößelrolle (Stößel)Frictional force of the tappet roller (ram)
ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- DE 102006043460 A1 [0005, 0006] DE 102006043460 A1 [0005, 0006]
Zitierte Nicht-PatentliteraturCited non-patent literature
- ”Forschung – Ausbildung – Weiterbildung”, Bericht Nr. 14, ”Ein mathematisches Verfahren zur Optimierung von Nocken”, Hardy Moock, Universität Kaiserslautern, Fachbereich Mathematik, Januar 1986 [0004] "Research - Education - Further Education", Report No. 14, "A Mathematical Method for Optimizing Cams", Hardy Moock, University of Kaiserslautern, Department of Mathematics, January 1986 [0004]
- J. Kennedy, R. Eberhart: Particle Swarm Optimization. Proc. IEEE Int. Conf. on Neural Networks, 1995, S. 1942–1948 [0006] J. Kennedy, R. Eberhart: Particle Swarm Optimization. Proc. IEEE Int. Conf. on Neural Networks, 1995, pp. 1942-1948 [0006]
- Kennedy, J.; Eberhart, R. C.; ”Swarm Intelligence”; Morgan Kaufmann Publishers, San Francisco, USA 2001 [0095] Kennedy, J .; Eberhart, RC; "Swarm Intelligence"; Morgan Kaufmann Publishers, San Francisco, USA 2001 [0095]
- Clerc, M.; ”Particle Swarm Optimization”; ISTE – Hermes Science Puplishing, London, UK, 2006 [0097] Clerc, M .; Particle Swarm Optimization; ISTE - Hermes Science Puplishing, London, UK, 2006 [0097]
- ”Particle Swarm Optimization – An Overview”, R. Poli, J. Kennedy, T. Blackwell, Springer Science 2007 [0106] "Particle Swarm Optimization - An Overview", R. Poli, J. Kennedy, T. Blackwell, Springer Science 2007 [0106]
- J. Kennedy und R. Eberhart ”A New Optimizer Using Particle Swarm Theory”, Seiten 39–43, aus Proc. IEEE Int. Conf. on Neural Networks, 1996 [0106] J. Kennedy and R. Eberhart "A New Optimizer Using Particle Swarm Theory", pages 39-43, from Proc. IEEE Int. Conf. on Neural Networks, 1996 [0106]
- ”Optimierung und Entscheidungsunterstützung” Vortrag ”Swarm Intelligence”, unter Punkt 3, Seiten 7–14 (im Internet erhältlich unter: http://ls2-www.cs.uni-dortmund.de/-jansen/seminare/opt2006/nielspothmann.pdf) [0107] "Optimization and decision support" Lecture "Swarm Intelligence", under point 3, pages 7-14 (available on the Internet at: http://ls2-www.cs.uni-dortmund.de/-jansen/seminare/opt2006/nielspothmann. pdf) [0107]
Claims (12)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102010003698.6A DE102010003698B4 (en) | 2010-04-08 | 2010-04-08 | Method for laying out the contour of a control cam |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102010003698.6A DE102010003698B4 (en) | 2010-04-08 | 2010-04-08 | Method for laying out the contour of a control cam |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102010003698A1 true DE102010003698A1 (en) | 2011-10-13 |
DE102010003698B4 DE102010003698B4 (en) | 2015-05-21 |
Family
ID=44657906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102010003698.6A Active DE102010003698B4 (en) | 2010-04-08 | 2010-04-08 | Method for laying out the contour of a control cam |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102010003698B4 (en) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103967551A (en) * | 2014-04-28 | 2014-08-06 | 奇瑞汽车股份有限公司 | Distribution cam mechanism of gasoline engine |
CN103967550A (en) * | 2014-04-28 | 2014-08-06 | 奇瑞汽车股份有限公司 | Distribution cam mechanism of gasoline engine |
CN104141518A (en) * | 2014-07-23 | 2014-11-12 | 上汽通用五菱汽车股份有限公司 | Design optimization method for profile of gas distribution cam of small gasoline engine |
WO2015090741A1 (en) | 2013-12-20 | 2015-06-25 | Eto Magnetic Gmbh | Camshaft adjusting device, combustion engine and assembly method |
DE102015002733A1 (en) | 2015-03-04 | 2016-09-08 | Man Diesel & Turbo Se | Method for laying out the contour of a control cam |
DE102017123042A1 (en) | 2017-10-05 | 2019-04-11 | Man Diesel & Turbo Se | Method for designing an internal combustion engine or a system of several internal combustion engines |
CN110605447A (en) * | 2019-09-18 | 2019-12-24 | 南京浦航机械科技开发有限公司 | Precise electrolytic machining device and process method for large-distortion blade |
CN112761749A (en) * | 2021-02-18 | 2021-05-07 | 哈尔滨工程大学 | Optimization design method for profile of distribution cam of marine diesel engine |
CN113761689A (en) * | 2021-09-13 | 2021-12-07 | 河北工程大学 | Multi-parameter coupling optimization method and system for aerodynamic engine |
CN117725685A (en) * | 2024-02-05 | 2024-03-19 | 中汽研汽车检验中心(天津)有限公司 | Multi-objective optimization method and equipment for vehicle operability |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006043460A1 (en) | 2006-09-15 | 2008-03-27 | Man Diesel Se | Method for optimizing injection nozzle for internal combustion engine, involves sliding nozzle body and needle axially in bore of body, where particle swarm optimization is used for geometric arrangement of nozzle |
-
2010
- 2010-04-08 DE DE102010003698.6A patent/DE102010003698B4/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006043460A1 (en) | 2006-09-15 | 2008-03-27 | Man Diesel Se | Method for optimizing injection nozzle for internal combustion engine, involves sliding nozzle body and needle axially in bore of body, where particle swarm optimization is used for geometric arrangement of nozzle |
Non-Patent Citations (7)
Title |
---|
"Forschung - Ausbildung - Weiterbildung", Bericht Nr. 14, "Ein mathematisches Verfahren zur Optimierung von Nocken", Hardy Moock, Universität Kaiserslautern, Fachbereich Mathematik, Januar 1986 |
"Optimierung und Entscheidungsunterstützung" Vortrag "Swarm Intelligence", unter Punkt 3, Seiten 7-14 (im Internet erhältlich unter: http://ls2-www.cs.uni-dortmund.de/-jansen/seminare/opt2006/nielspothmann.pdf) |
"Particle Swarm Optimization - An Overview", R. Poli, J. Kennedy, T. Blackwell, Springer Science 2007 |
Clerc, M.; "Particle Swarm Optimization"; ISTE - Hermes Science Puplishing, London, UK, 2006 |
J. Kennedy und R. Eberhart "A New Optimizer Using Particle Swarm Theory", Seiten 39-43, aus Proc. IEEE Int. Conf. on Neural Networks, 1996 |
J. Kennedy, R. Eberhart: Particle Swarm Optimization. Proc. IEEE Int. Conf. on Neural Networks, 1995, S. 1942-1948 |
Kennedy, J.; Eberhart, R. C.; "Swarm Intelligence"; Morgan Kaufmann Publishers, San Francisco, USA 2001 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015090741A1 (en) | 2013-12-20 | 2015-06-25 | Eto Magnetic Gmbh | Camshaft adjusting device, combustion engine and assembly method |
CN103967550A (en) * | 2014-04-28 | 2014-08-06 | 奇瑞汽车股份有限公司 | Distribution cam mechanism of gasoline engine |
CN103967551B (en) * | 2014-04-28 | 2017-02-08 | 奇瑞汽车股份有限公司 | Distribution cam mechanism of gasoline engine |
CN103967551A (en) * | 2014-04-28 | 2014-08-06 | 奇瑞汽车股份有限公司 | Distribution cam mechanism of gasoline engine |
CN104141518A (en) * | 2014-07-23 | 2014-11-12 | 上汽通用五菱汽车股份有限公司 | Design optimization method for profile of gas distribution cam of small gasoline engine |
DE102015002733B4 (en) | 2015-03-04 | 2019-04-25 | Man Energy Solutions Se | Method for laying out the contour of a control cam |
DE102015002733A1 (en) | 2015-03-04 | 2016-09-08 | Man Diesel & Turbo Se | Method for laying out the contour of a control cam |
DE102017123042A1 (en) | 2017-10-05 | 2019-04-11 | Man Diesel & Turbo Se | Method for designing an internal combustion engine or a system of several internal combustion engines |
CN110605447A (en) * | 2019-09-18 | 2019-12-24 | 南京浦航机械科技开发有限公司 | Precise electrolytic machining device and process method for large-distortion blade |
CN110605447B (en) * | 2019-09-18 | 2024-05-10 | 江苏集萃精密制造研究院有限公司 | Precise electrolytic machining device and process method for large-torsion blade |
CN112761749A (en) * | 2021-02-18 | 2021-05-07 | 哈尔滨工程大学 | Optimization design method for profile of distribution cam of marine diesel engine |
CN113761689A (en) * | 2021-09-13 | 2021-12-07 | 河北工程大学 | Multi-parameter coupling optimization method and system for aerodynamic engine |
CN113761689B (en) * | 2021-09-13 | 2024-03-26 | 河北工程大学 | Multi-parameter coupling optimization method and system for aerodynamic engine |
CN117725685A (en) * | 2024-02-05 | 2024-03-19 | 中汽研汽车检验中心(天津)有限公司 | Multi-objective optimization method and equipment for vehicle operability |
CN117725685B (en) * | 2024-02-05 | 2024-05-31 | 中汽研汽车检验中心(天津)有限公司 | Multi-objective optimization method and equipment for vehicle operability |
Also Published As
Publication number | Publication date |
---|---|
DE102010003698B4 (en) | 2015-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102010003698B4 (en) | Method for laying out the contour of a control cam | |
EP1626317B1 (en) | Method for developing a nonlinear, stationary or dynamical model of a control variable of a construction machine | |
DE69838181T2 (en) | Visualization and self-organization of multi-dimensional data through compensated orthogonal imaging | |
DE602005002839T2 (en) | PROCESSING OF INDUSTRIAL PRODUCTION PROCESSES | |
DE202019106182U1 (en) | Neuron architecture search with factorized hierarchical search space | |
DE102015002733B4 (en) | Method for laying out the contour of a control cam | |
DE102016121338A1 (en) | Time-discrete, rate-based, model-predictive control method for air path control of an internal combustion engine | |
EP3022611A1 (en) | Method for the computer-aided control and/or regulation of a technical system | |
WO2014015974A2 (en) | Improved performance of experiments | |
EP3458699B1 (en) | Method for calibrating a technical system | |
DE102010003725A1 (en) | Method for designing turbocharged internal combustion engine of vehicle, involves optimizing design parameters for all designing units by particle-swarm-optimization version so that design-target dimensions for engine are optimally achieved | |
DE102020108243A1 (en) | Method and control unit for controlling a non-linear technical process | |
DE102010003699A1 (en) | Method for designing geometry of combustion chamber of turbo-supercharged diesel engine, involves determining design parameter value by particle swarm optimization algorithm to obtain optimum interpretation value of geometry | |
DE102010003706A1 (en) | Method for designing of engine geometry of internal combustion engine, involves defining design-constraint for engine geometry, and defining design-target dimension for engine geometry | |
DE102016110208A1 (en) | Method for operating an internal combustion engine with a cylinder deactivation | |
EP4139761A1 (en) | Method for operating a controller for a motor vehicle, and corresponding controller | |
DE102018133516A1 (en) | Control device of an internal combustion engine | |
DE102020111204A1 (en) | Method for operating a control device for a motor vehicle and a corresponding control device | |
DE102017123042A1 (en) | Method for designing an internal combustion engine or a system of several internal combustion engines | |
DE202023100506U1 (en) | Device for optimized training of a reinforcement learning algorithm for generating a control command | |
DE102010003712A1 (en) | Method for interpreting e.g. working process of turbocharger loaded combustion engine, involves obtaining optimal compliance with interpretation-target size for working process of combustion engine based on interpretation-constraint | |
DE202021105192U1 (en) | Apparatus for machine learning from a small number of training data examples | |
DE102013206274A1 (en) | Method and apparatus for adapting a non-parametric function model | |
DE102017118995B4 (en) | Method for producing a component of an internal combustion engine and simulation system for accelerated simulation of the behavior of a component of an internal combustion engine | |
DE102020001323A1 (en) | Method for model-based control and regulation of an internal combustion engine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: F01L0001080000 Ipc: G06F0017500000 |
|
R163 | Identified publications notified | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: F01L0001080000 Ipc: G06F0017500000 Effective date: 20130808 |
|
R163 | Identified publications notified |
Effective date: 20130809 |
|
R002 | Refusal decision in examination/registration proceedings | ||
R125 | Request for further processing filed | ||
R126 | Request for further processing allowed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final | ||
R081 | Change of applicant/patentee |
Owner name: MAN ENERGY SOLUTIONS SE, DE Free format text: FORMER OWNER: MAN DIESEL & TURBO SE, 86153 AUGSBURG, DE |
|
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06F0017500000 Ipc: G06F0030000000 |