DE102010003725A1

DE102010003725A1 - Verfahren zum Auslegen einer Brennkraftmaschine

Info

Publication number: DE102010003725A1
Application number: DE102010003725A
Authority: DE
Inventors: Hendrik Große-Löscher; Heiner Haberland
Original assignee: MAN Diesel and Turbo SE
Current assignee: MAN Energy Solutions SE
Priority date: 2009-04-22
Filing date: 2010-04-08
Publication date: 2010-11-04

Abstract

Verfahren zum Auslegen einer Brennkraftmaschine, aufweisend: Definieren von Randbedingungen und Zielgrößen für die Brennkraftmaschine, Definieren von bestimmten Baugruppen der Brennkraftmaschine und bestimmten funktionsbedingten Betriebsprozessen in der Brennkraftmaschine, wobei die Baugruppen und die Betriebsprozesse Auslegungseinheiten der Brennkraftmaschine bilden, Definieren von jeweiligen Randbedingungen für die einzelnen Auslegungseinheiten, Definieren von jeweiligen Zielgrößen für die einzelnen Auslegungseinheiten sowie daraus Definieren von den die Zielgrößen beeinflussenden jeweiligen Parametern, wobei die Randbedingungen, die Zielgrößen und die Parameter einer jeden Auslegungseinheit Auslegungsdaten für diese Auslegungseinheit bilden, Ausbilden von durch Überschneidungen der Auslegungsdaten der Auslegungseinheiten definierten Schnittstellen zwischen den einzelnen Auslegungseinheiten, und für jede Auslegungseinheit auf deren jeweilige Zielgrößen ausgerichtet und unter Einhaltung von deren jeweiligen Randbedingungen Optimieren der Parameter entweder aller Auslegungseinheiten gleichzeitig mittels einer PSO-Version für statische und/oder dynamische Aufgabenstellungen, oder aller Auslegungseinheiten für sich mittels eigener PSO-Version für statische und/oder dynamische Aufgabenstellungen, oder aller Auslegungseinheiten für sich mittels eigener PSO-Version für statische und/oder dynamische Aufgabenstellungen und einer übergeordneten Optimierung mittels PSO-Version für statische und/oder dynamische Aufgabenstellungen so dass unter gegenseitiger Wichtung der sich überschneidenden Auslegungsdaten aller Auslegungseinheiten und unter Einhaltung der Randbedingungen für die Brennkraftmaschine die Zielgrößen für die Brennkraftmaschine optimal erreicht werden.

Description

Die Erfindung betrifft ein Verfahren zum Auslegen einer Brennkraftmaschine.
Aus DE 10 2006 043 460 A1 ist ein Verfahren zur Optimierung einer Einspritzdüse für eine Brennkraftmaschine bekannt. Der dort implementierte Algorithmus ist ein Particle-Swarm-Optimization-Algorithmus (PSO-Algorithmus), welcher eine aus dem Gebiet der künstlichen Intelligenz hervorgegangene Klasse naturanaloger stochastischer Verfahren zur Optimierung ist.
DE 10 2006 043 460 A1 beschreibt, dass der PSO-Algorithmus auf einer Population von Partikeln (Satz von Parametern als mögliche Lösung) basiert, die sieh wie Vogel in einem Schwarm gegenseitig bei der Bewegung in einem Suchraum beeinflussen und verweist hierzu auf J. Kennedy, R. Eberhart: Particle Swarm Optimization. Proc. IEEE Int. Conf. an Neural Networks, 1995, S. 1942–1948).
Jedoch zeigt DE 10 2006 043 460 A1 keinen Weg auf, wie eine komplette Brennkraftmaschine in optimaler Weise ausgelegt werden kann.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zum Auslegen einer Brennkraftmaschine bereitzustellen, welches robust, effektiv sowie schnell ist und milder die Auslegung der Brennkraftmaschine in für die Brennkraftmaschine als Ganzes gesehen optimaler Weise realisiert werden kann.
Dies wird mit einem Verfahren gemäß Patentanspruch 1 gelöst. Weiterbildungen der Erfindung sind in den abhängigen Patentansprüchen definiert.
Gemäß der Erfindung wird ein Verfahren zum optimalen Auslegen einer Brennkraftmaschine bereitgestellt, wobei das Verfahren aufweist: Definieren von Auslegungs-Randbedingungen für die Brennkraftmaschine, Definieren von Auslegungs-Zielgrößen für die Brennkraftmaschine, Definieren von bestimmten Baugruppen der Brennkraftmaschine und bestimmten funktionsbedingten Betriebsprozessen in der Brennkraftmaschine, wobei die Baugruppen und die Betriebsprozesse Auslegungseinheiten der Brennkraftmaschine bilden, Definieren von jeweiligen Auslegungs-Randbedingungen für die einzelnen Auslegungseinheiten, Definieren von jeweiligen Auslegungs-Zielgrößen für die einzelnen Auslegungseinheiten sowie daraus Definieren von den, die Auslegungs-Zielgrößen beeinflussenden jeweiligen Auslegungs-Parametern, wobei die Auslegungs-Randbedingungen, die Auslegungs-Zielgrößen und die Auslegungs-Parameter einer jeden Auslegungseinheit Auslegungsdaten für diese Auslegungseinheit bilden, Ausbilden von durch Überschneidungen der Auslegungsdaten der einzelnen Auslegungseinheiten definierten Schnittstellen zwischen den einzelnen Auslegungseinheiten, und für jede Auslegungseinheit mittels des Particle-Swarm-Optimization-Algorithmus auf deren jeweilige Auslegungs-Zielgrößen ausgerichtet und unter Einhaltung von deren jeweiligen Auslegungs-Randbedingungen Optimieren der Auslegungs-Parameter, so dass unter gegenseitiger Wichtung der sich überschneidenden Auslegungsdaten aller Auslegungseinheiten und unter Einhaltung der Auslegungs-Randbedingungen für die Brennkraftmaschine die Auslegungs-Zielgrößen für die Brennkraftmaschine optimal erreicht werden.
Gemäß der Erfindung wurde erkannt, dass eine als Gesamtheit optimale Brennkraftmaschine, wie z. B. ein Verbrennungsmotor, nicht in jeder einzelnen Baugruppe und/oder jedem einzelnen Prozess, d. h. jeder Auslegungseinheit, optimal (suboptimal) hinsichtlich der für die einzelne Auslegungseinheit aufgestellten Auslegungszielgrößen sein kann. So kann ein lokales Optimum für eine Auslegungseinheit für das globale Optimum der gesamten Brennkraftmaschine besser sein als das globale Optimum der Auslegungseinheit.
Gemäß einer Ausführungsform der Erfindung ist es durch die Aufstellung von Schnittstellen zwischen den Auslegungseinheiten möglich, eine Optimierung mittels des Particle-Swarm-Optimization-Algorithmus für die gesamten Auslegungsparameter der unterschiedlichen Auslegungseinheiten zu realisieren. Hierbei wird ein PSO-Algorithmus für die Optimierung der einzelnen Auslegungsparameter in übergeordneter Weise verwendet, der ein globales Optimum für die gesamte Brennkraftmaschine erzielt.
Durch die erfindungsgemäße Definition der Schnittstellen zwischen den Auslegungseinheiten der Brennkraftmaschine ist es außerdem möglich, eine übergeordnete Optimierung auf die einzelnen Optimierungen für die Auslegungseinheiten anzuwenden. Die Optimierungen der einzelnen Auslegungseinheiten sind in geeigneter Weise durch die Schnittstellen in die übergeordnete Optimierung der Brennkraftmaschine integriert (Co-Optimierung).
Im Ergebnis Werden die Auslegungsparameter für eine Brennkraftmaschine bereitgestellt, wobei die Brennkraftmaschine in optimaler Weise an das zuvor definierte Anforderungsprofil angepasst ist.
Die Erfindung beinhaltet die optimale Auslegung einer Brennkraftmaschine mittels mehrerer Einzeloptimierungen mit dem PSO-Algorithmus, die in geeigneter Weise miteinander verkettet sind.
Gemäß einer weiteren Ausführungsform der Erfindung werden zum jeweiligen Optimieren mittels des Particle-Swarm-Optimization-Algorithmus über die Schnittstellen Auslegungsdaten zwischen den Auslegungseinheiten ausgetauscht.
Durch den erfindungsgemäßen Austausch von Informationen zwischen den Auslegungseinheiten können die sich überschneidenden Auslegungsdaten so optimiert werden, dass im Mittel stets ein lokales Optimum für die betroffenen Auslegungseinheiten, insbesondere wenn z. B. ein Auslegungsparameter für unterschiedliche Auslegungseinheiten in entgegengesetzte Richtungen zu optimieren wäre, und außerdem ein globales Optimum für die gesamte Brennkraftmaschine erzielt wird.
Gemäß noch einer weiteren Ausführungsform der Erfindung wird das jeweilige Optimieren mittels des Particle-Swarm-Optimization-Algorithmus für alle Auslegungseinheiten gleichzeitig durchgeführt.
Durch diese Ausgestaltung der Erfindung wird das Verfahren besonders schnell und effektiv und lässt sich leicht z. B. in Form von Software realisieren.
Gemäß noch einer Ausführungsform der Erfindung werden Auslegungs-Parameter zum Beeinflussen der Auslegungs-Zielgrößen der Brennkraftmaschine als die Gesamtheit der Auslegungs-Parameter aller Auslegungseinheiten definiert, wobei zum Erreichen der Auslegungs-Zielgrößen für die Brennkraftmaschine eine den jeweiligen Optimierungen unter Nutzung des Particle-Swarm-Optimization-Algorithmus für die einzelnen Auslegungseinheiten übergeordnete Optimierung unter Nutzung des Particle-Swarm-Optimization-Algorithmus durchgeführt wird.
Durch die erfindungsgemäße Überordnung eines weiteren PSO-Algorithmus können dessen vorteilhafte Eigenschaften auch bei der übergeordneten Optimierung genutzt werden, wobei die relevanten Auslegungs-Zielgrößen, Auslegungs-Randbedingungen (Anforderungen/Kriterien) und Auslegungs-Parameter z. T. in den Optimierungen der verschiedenen Auslegungseinheiten bestimmt werden.
Zusammenfassend wird erfindungsgemäß der PSO-Algorithmus mehrfach zur Optimierung der einzelnen Auslegungseinheiten und einmalig ein allen Einzeloptimierungen übergeordneter PSO-Algorithmus zur Optimierung der Brennkraftmaschine als Gesamtheit 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. Das Optimum soll bevorzugt das globale Optimum des gesamten Suchraums, d. h. Lösungsraums, sein.
Die Auslegungsparameterkombinationen (Partikeln) im PSO-Algorithmus können zu Anfang der Optimierung stochastisch und/oder determiniert über den gesamten Lösungsraum verteilt werden, sie haben damit eine entsprechende Position darin. Ferner können den Auslegungsparametern zur Initialisierung stochastische und/oder determinierte Geschwindigkeitsvektoren zugeordnet werden.
Für jeden weiteren Schritt des PSO-Algorithmus orientiert sich jedes Partikel unter anderem an der Lage der benachbarten bzw. übrigen Partikel 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.
Die Orientierung der Partikeln im Lösungsraum ist D-dimensional, je nach Anzahl der Auslegungs-Parameter.
Die Zielfunktion kann so formuliert werden, dass mehrere Auslegungs-Zielgrößen mit eigener Gewichtung darin vereint werden. Sie wird dann als Gütefunktion bezeichnet. Die Auslegungs-Zielgrößen entsprechen den mathematisch erfassbaren konkreten Anforderungen, wie beispielsweise in einer Einspritzdüse für einen Verbrennungsmotor ein zu minimierendes Sacklochvolumen, welches in funktionaler Abhängigkeit zu den geometrischen Parametern steht.
Im Folgenden wird die Erfindung anhand bevorzugter Ausführungsformen und unter Bezugnahme auf die beigefügte Figur beschrieben.
1 zeigt gemäß einer Ausführungsform der Erfindung unterschiedliche Auslegungseinheiten einer Brennkraftmaschine, wobei die Auslegungseinheiten mit ihren jeweiligen Auslegungsdaten sowie die Schnittstellen zwischen den Auslegungseinheiten dargestellt sind.
Eine Brennkraftmaschine, wie ein turboaufgeladener Verbrennungsmotor, weist eine Vielzahl von funktionalen Baugruppen auf, wobei in der Brennkraftmaschine mehrere Prozesse parallel und teilweise ineinander verzahnt ablaufen. Diese Baugruppen und Prozesse wurden im Allgemeinen sequenziell entwickelt bzw. optimiert. Eine mögliche Einteilung entsprechend des Entwicklungsprozesses ist folgende

Baugruppen Prozesse

Motortriebwerk Motorprozess

Einspritzsystem (Eirispritzdüse) Einspritzstrahlausbreitung

Brennraum Einspritzung

Ventiltrieb

Tabelle 1
Diese Baugruppen und Prozesse können auslegungsmethodisch als Auslegungseinheiten betrachtet werden. Sie können jeweils einzeln entwickelt werden, sind jedoch vielfach voneinander abhängig bzw. bauen aufeinander auf. Es werden z. T. gleiche Auslegungs-Randbedingungen (Vorgaben) bzw. gleiche Auslegungs-Parameter und Auslegungs-Zielgrößen verwendet. Bei sequenzieller Abarbeitung der Motorentwicklung ist eine hohe Qualität des Ergebnisses nur durch ein iteratives Vorgehen und/oder durch intensive Nutzung von Erfahrungen vorhergehender, ähnlicher Entwicklungen zu erwarten. Wird dies in geringerem Maß vorgenommen, kann es trotz sehr effektiver Entwicklung einzelner Auslegungseinheiten zu einer geringeren Erfüllung der Gesamtanforderungen kommen.
Das Anforderungsprofil an eine Brennkraftmaschine ist sehr komplex und im Allgemeinen für verschiedene Anwendungen unterschiedlich strukturiert. Neben vielfach gleichen Auslegungs-Randbedingungen (z. B.: Motorleistung, Drehzahl) unterscheiden sie sich für unterschiedliche Anwendungen drastisch (z. B. Kraftstoff, Motormasse, Lebensdauer usw.). Die Anforderungen bzw. Auslegungs-Zielgrößen sind zudem oftmals auf kombinierte Daten wie eine Propellerkurve (bei einem Schiffsantrieb) oder Fahrzyklen bezogen. Oftmals bedingen die Anforderungen einander, bauen aufeinander auf oder ergeben in Kombination mehrere Entscheidungsmöglichkeiten.
Eine hinsichtlich aller Anforderungen optimale Brennkraftmaschine kann in zielgerichteter Weise nur durch ein geschlossenes Optimierungsverfahren entwickelt werden. Die Komplexität der Zusammenhänge und inhomogenität der Entwicklungsziele, Parameter und Anforderungen erschwert die geschlossene Motorauslegung mittels klassischer mathematischer Optimierungsverfahren. Diese Anforderungen erfüllt jedoch in besonders zielführender Weise der Particle-Swarm-Optimization-Algorithmus (PSO-Algorithmus).
Der PSO-Algorithmus ist robust, effektiv und schnell und kann für beliebige mathematische Zusammenhänge herangezogen werden. Ferner ist es möglich, eine für den gesamten Betriebsbereich und/oder das gesamte Anforderungsprofil optimale Auslegung der Brennkraftmaschine zu ermitteln.
In Anlehnung an natürliche Schwärme, wie Vogelschwärme oder Fischschwärme, beinhaltet der PSO-Algorithmus eine Population von Auslegungs-Parametern (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. Zusätzlich besitzt jeder Partikel noch einen Geschwindigkeitsvektor pro Auslegungs-Parameter, welcher die Richtung und Länge der Bewegung jedes einzelnen Auslegungs-Parameters aufzeigt. Diese Geschwindigkeitsvektoren werden anfänglich entweder basierend auf Erfahrungswerten oder zufällig initialisiert.
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.
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 der Geschwindigkeitsvektoren
Neue Positionen berechnen
Ende

BIS Abbruchkriterium erfüllt
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.
Gegeben seien die Lösungsproblem-Dimensionen D (Anzahl der Dimensionen des Suchraums) und die zu optimierende Zielfunktion: f(x1, ..., xD) → Min (1)
Der PSO-Algorithmus hat nun die Aufgabe, das globale Extremum der Zielfunktion zu finden (in der vorliegenden Ausführung: MINIMUM).
Dazu wird eine Anzahl m von Partikeln zugrunde gelegt. Für jeden Partikel dieser Anzahl speichert der PSO-Algorithmus sowohl die Positionen x_m = (x₁₁, ..., x_mD) und Geschwindigkeiten v_m = (v₁₁, ..., v_mD) des aktuellen Iterationsschrittes t als auch des vorangegangenen Iterationsschrittes t – 1 jeweils von der Dimension D.
Um die besten Positionen eines jeden Partikels verarbeiten zu können, wird eine weitere Variable p_m = (p₁₁, ..., p_mD) eingeführt und verwaltet. Der Standort eines Partikels im D-dimensionalen Suchraum bestimmt sich aus einer konkreten Position in der Dimension D. Zusätzlich gibt es einen Index g, welcher das Partikel mit den global besten Positionen identifiziert.
Somit ist der PSO-Algorithmus derart eingerichtet, dass damit eine Optimierung durchführbar ist.
Im Folgenden soll dargestellt werden, wie die Aktualisierung der Geschwindigkeitsvektoren für jeden Partikel und die Berechnung der neuen Positionen eines jeden Partikels realisierbar ist.
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.
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 werden. Die Topologiemuster beeinflussen das Schwarmverhalten hinsichtlich Konvergenzrate und Parallelitätsgrad der Suche.
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 Parameter n und r vorgesehen.
Eine allgemeine Form einer Gleichung zum Bestimmen des neuen Geschwindigkeitsvektors für eine Dimension eines Partikels lautet wie folgt: vmD(t) = w·vmD(t – 1) + n1·r1·(pmD – xmD(t – 1)) + n2·r2·(pgD – xmD(t – 1)) (2)v_m(t) und x_m(t) sind 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 v_mD(t) erläutert.
Der Parameter 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. Der Parameter w kann z. B. so implementiert werden, dass sich sein Wert linear zum Zeitverlauf ändert: w = (wstart – wend)·((MaxEpochs – Epochs)/MaxEpochs) + wend (3)wobei w_start der Startwert und w_end der Endwert für w sind. Epochs steht für die Anzahl und MaxEpochs für die maximale Anzahl der Schleifenwiederholungen (Iterationen) des PSO-Algorithmus. Ein großer Startwert kleiner Endwert resultieren in einer global gewichteten Suche mit großen Bewegungen zu Beginn und einer lokal gewichteten Suche zum Ende des Optimierungsprozesses.
Der Vektor p_m bezeichnet die besten Positionen eines Partikels in der Dimension D. Somit ist der Term (p_mD – x_mD(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. 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.
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.
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 p_gD unter allen Partikeln des Schwarms gebildet wird. 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 hintendiert. Daher wird n₂ auch als sozialer Parameter bezeichnet, der ebenfalls wie n₁ in Standardapplikationen mit 2,05 angegeben wird.
Um die Geschwindigkeit zu kontrollieren und um ein „Explodieren” des Schwarms zu verhindern, was ein Bestreben des Schwarms, den Suchraum zu verlassen, bedeutet, können Restriktionskonstanten v_max und v_min eingeführt werden, welche bewirken, dass eine einen dieser Grenzwerte überschreitende Geschwindigkeit auf den überschrittenen Grenzwert v_max oder v_min zurückgesetzt wird, wie nachfolgend definiert:
Die Verwendung des Inertia Weight-Parameters w eliminiert im allgemeinen die Verwendung und sehr sensible Einstellung der Konstanten v_min und v_max.
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: xmD(t) = xmD(t – 1) + vmD(t) (5)
In der Literatur sind zahlreiche Ausführungsformen des PSO-Algorithmus beschrieben, die verschiedene Werte der oben beschriebenen Konstanten untersuchen und auf eine Verbesserung des Verfahrens abzielen. Zusätzlich können weitere Konstanten bzw. Parameter wie Inertia Weight und Constriction Coefficient verwendet werden, die die Geschwindigkeiten der Partikeln und somit das Schwarmverhalten beeinflussen. Bei der Verwendung eines Constriction Coefficient wird Gleichung (2) {ohne w !} mit einem Parameter multipliziert, der analog zu Gleichung (3) gebildet werden kann.
Es hat sich in praktischen Anwendungen gezeigt, dass eine lineare Änderung (Reduzierung) von w bzw. dem Constriction Coefficient erst z. B. im letzten Drittel der Iterationen zu einer wesentlichen Verbesserung der Leistungsfähigkeit des Algorithmus beitragen kann. In den z. B. ersten zwei Dritteln der Iterationen werden die Parameter konstant oder beispielsweise randomisiert in einem Intervall gewählt.
Mehrere Anwendungsfälle zeigen, dass die Wahl des Constriction Coefficient als gleichverteilte Zufallszahl in einem Intervall der Größenordnung [0,1 1,4] sehr zielführend ist und die Sucheigenschaften des Verfahrens erheblich erhöhen. Gegen Ende der Iterationen ist es sinnvoll, den Wert des Constriction Coefficient zu reduzieren, um eine Konvergenz des Schwarmes zu garantieren. Empirisch wurde ermittelt, den Constriction Coefficient ca. ab 75% aller Iterationen linear zu reduzieren. Ausgehend von Constriction Coefficient 1 wird er auf 0,2087 vermindert. Dieser Wert wird ab 95% aller Iterationen angenommen. Von dort bis zum Ende der Berechnungen bleibt der Constriction Coefficient constant. Der Wert 0,2087 resultiert aus der Berechnung des Constriction Coefficient nach M. Clerc (s. Fachliteratur). In diese Berechnungen fließen n₁ und n₂ ein. Die Wahl von n₁ = 2 und n₂ = 5 hat sich als leistungsstark erwiesen und resultiert in dem genannten Constriction Coefficient. Durch einen hohen Wert des sozialen Parameters n₂ wird die globale Sucheigenschaft des Schwarmes forciert.
Die Wahl der genannten Parameter ist allgemein sehr filigran sowie problemspezifisch und hat entscheidenden Einfluss auf das Verhalten des Algorithmus bzgl. Suchverhalten, Konvergenzrate, Güte des erzielten Optimums und Berechnungszeit, ebenso wie die Topologie der Vernetzung der Partikeln (Nachbarschaft) untereinander. Gängige Nachbarschaftsmuster sind z. B. gbest und lbest, wo entweder jedes Partikel durch die beste bisher durch den gesamten Schwarm in allen iterationen gefundene Position (gbest) oder durch die Position des jeweiligen Nachbarn (lbest) beeinflusst wird. Allgemein müssen Tests zeigen, dass die Parameter in Bezug auf das vorliegende Optimierungsproblem korrekt eingestellt sind.
Die vorgestellten Einstellungen sind so gewählt, dass sie einer breiten Anwendungspalette genügen. Die obere Grenze des Intervalls kann durchaus erhöht werden, um die Sucheigenschaften zu erhöhen und somit einen größeren Bereich des Suchraumes abzudecken. Die Wahl des randomisierten Constriction Coefficient weicht das Schwarmverhalten mit zunehmenden Werten auf, verhindert aber gleicherweise eine vorzeitige Konvergenz. Dieses Konvergenzverhalten ist ein großes Problem der Standard-PSO-Version und besonders bei hochdimensionalen und sehr komplexen Problemstellungen hinderlich. Bei der Verwendung eines randomisierten Constriction Coefficient ist darauf zu achten, dass ein adäquates Grenzverletzungsverhalten implementiert ist. Wird ein hoher Maximalwert für den Constriction Coefficient im randomisierten Teil verwendet, steigt die Wahrscheinlichkeit, dass die Partikeln dazu tendieren, den Suchraum zu verlassen. Es ist sinnvoll, je nach Problemstellung die Behandlung von Partikeln festzulegen, die anstreben, den Suchraum zu verlassen. Werden bei einer Grenzverletzung die Partikeln auf der Grenze wieder reinitialisiert, so werden sich bei großen Werten des Constriction Coefficient viele Partikeln an den Parametergrenzen sammeln. Dieses Vorgehen ist praktikabel, wenn man die Lösung der Problemstellung an der Grenzen der vorgegebenen Parameter erwartet. Ist die Lösung allerdings eher in der Mitte des Suchraumes zu erwarten, so ist eine stochastische Reinitialisierung der Partikeln im Suchraum zu bevorzugen (siehe hierzu 2), Für weitere Beschreibungen ist die einschlägige Fachliteratur heran zu ziehen.
Durch die Verwendung des beschriebenen Constriction Coefficient und die Implementierung des Grenzverletzungsverhaltens ist die Verwendung und Einstellung von v_min und v_max ebenfalls überflüssig geworden.
An einigen Stellen werden Berechnungen angewendet, die dynamische bzw. transiente Vorgänge beschreiben und auf die die Optimierung (PSO) reagieren muss, bzw. die die Gütefunktion verändern und die Funktion somit zeitlich veränderlich machen bzw. machen könnten.
Der bisher beschriebene PSO-Algorithmus und seine Variationen können aber lediglich stationäre Problemstellungen lösen, d. h. dass sich die Gütefunktion zeitlich bzw. mit steigender Iterationsanzahl nicht verändert. Dynamische Problemstellungen können mit einer PSO-Version gelöst werden, die durch das folgende Ablaufdiagramm (s. hierzu 3) beschrieben wird. Diese Version basiert neben eigenen Überlegungen im Wesentlichen auf folgender Quelle: Blackwell, T., Branke, J., Li, X.: Particle Swarm with Speciation and Adaptation in a Dynamic Environment. GECCO '06, In Genetic and Evolutionary Computation Conference, GECCO '06, pages 51–58, ACM, 2006.
Nun wird unter Bezugnahme auf 1 ein Verfahren zum Auslegen einer Brennkraftmaschine gemäß einer Ausführungsform der Erfindung beschrieben.
Gemäß der Erfindung werden bei einem Verfahren zum Auslegen einer als Verbrennungsmotor ausgebildeten Brennkraftmaschine Auslegungs-Randbedingungen und Auslegungs-Zielgrößen für die Brennkraftmaschine definiert.
Ferner werden bestimmte Baugruppen der Brennkraftmaschine und bestimmte funktionsbedingte Betriebsprozesse in der Brennkraftmaschine definiert, wobei die Baugruppen und die Betriebsprozesse Auslegungseinheiten der Brennkraftmaschine bilden.
Für die einzelnen Auslegungseinheiten werden jeweils Auslegungs-Randbedingungen und Auslegungs-Zielgrößen definiert. Aus den Auslegungs-Zielgrößen werden für jede Auslegungseinheit die Auslegungs-Zielgrößen beeinflussende Auslegungs-Parameter definiert. Die Auslegungs-Randbedingungen, die Auslegungs-Zielgrößen und die Auslegungs-Parameter einer jeden Auslegungseinheit bilden dabei Auslegungsdaten für diese Auslegungseinheit.
Auslegungseinheiten gemäß dieser Ausführungsform der Erfindung mit ihren jeweiligen Auslegungs-Randbedingungen, Auslegungs-Zielgrößen und Auslegungs-Parametern sind in 1 dargestellt.
Als Auslegungseinheiten sind in 1 die Einspritzdüse(n), die Triebwerksgeometrie, die Brennraumgeometrie, der Motorprozess und die Strahlausbreitung des eingespritzten Kraftstoffs dargestellt.
Die Auslegungseinheit Einspritzdüse weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Zielgrößen einen maximierten Sacklochdruck, ein minimiertes Sacklochvolumen und eine minimale Stegbreite zwischen den Düsenlöchern auf (siehe hierzu z. B. DE 10 2006 043 460 A1 ).
Die Auslegungseinheit Einspritzdüse weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Randbedingungen beispielsweise eine Druckstufe DS, einen erforderlichen Düsendurchfluss, etc., auf (siehe hierzu z. B. DE 10 2006 043 460 A1 ).
Die Auslegungseinheit Einspritzdüse weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Parameter einen Sitzwinkel α, einen Nadelspitzenwinkel α, einen Nadelhub h, einen Düsenlochdurchmesser DL, einen Sacklochdurchmesser DE, einen unteren Sitzdurchmesser DA, einen Sacklochwinkel ε, einen Spritzwinkel κ, einen Abspritzpunkt hSP, eine Sacklochhöhe hS und eine Lochanzahl n auf (siehe hierzu z. B. DE 10 2006 043 460 A1 ).
Die Auslegungseinheit Triebwerksgeometrie weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Zielgrößen z. Bsp. eine minimale Reibleistung des gesamten Triebwerks, eine maximale Werkstoffspannung (begrenzt), minimale Kosten, minimale bewegte Masse und einen minimalen Ölverbrauch auf.
Die Auslegungseinheit Triebwerksgeometrie weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Randbedingungen die Motordrehzahl n, eine Motorleistung PMot, eine Werkstoffspannung σ_max, eine Motorlänge lMot, ein Hub/Bohrungsverhältnis S/D und eine Zylinderzahl z auf.
Die Auslegungseinheit Triebwerksgeometrie weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Parameter einen Kolbenhub S, einen Durchmesser der Zylinderbohrungen D, einen Zylinderabstand Z, eine Pleuellänge LP, einen Grundlagerdurchmesser DG, eine Grundlagerbreite BG, einen Pleuellagerdurchmesser DP, eine Pleuellagerbreite BP, einen Kolbenbolzendurchmesser DKB, eine Kolbenlagerlänge LKL und eine Kurbelwangenbreite BKW auf.
Die Auslegungseinheit Brennraumgeometrie weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Zielgrößen eine maximale Strahleindringtiefe, ein minimales Muldenvolumen und eine minimale Brennraumoberfläche auf.
Die Auslegungseinheit Brennraumgeometrie weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Randbedingungen ein Verdichtungsverhältnis ε, einen Einspritzbeginn EB, einen Wert Einlass schließt ES, einen Ladedruck pL, eine Feuerstegbreite Smin, einen Abstand Strahl-Kopf bmin, einen Abstand Kolben-Kopf AKKmin, einen Abstand Kolben-Ventil AKVmin und den Durchmesser der Zylinderbohrungen D auf.
Die Auslegungseinheit Brennraumgeometrie weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Parameter einen Kolbenbodenwinkel α, einen Strahlöffnungswinkel Φ, den Spritzwinkel κ, eine Drallzahl, die Lochanzahl nL, einen Muldenradius RM, eine Feuerstegbreite BFS und einen Abstand Kolben Kopf auf.
Die Auslegungseinheit Motorprozess weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Zielgrößen einen minimalen spezifischen Verbrauch, eine maximal zulässige NOx-Emission (begrenzt) und eine maximal zulässige Temperatur nach der Turbine (begrenzt) auf.
Die Auslegungseinheit Motorprozess weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Randbedingungen einen Turboladerwirkungsgrad ηATL (ΠV), ein Verbrennungsluftverhältnis λV, eine Ladelufttemperatur tL (LLK), einen NOx-Grenzwert und eine Temperatur vor der Turbine tVT auf.
Die Auslegungseinheit Motorprozess weist gemäß dieser Ausführungsform der Erfindung, als Auslegungs-Parameter das Verdichtungsverhältnis ε, den Einspritzbeginn EB, den Wert Einlass schließt ES, eine Ventilüberschneidung VÜ, den Sacklochdruck pSack, einen Ventilquerschnitt AV und eine EGR-Rate EGR auf.
Die Auslegungseinheit Strahlausbreitung weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Zielgrößen einen maximalen Strahlvolumenanteil, einen minimalen mittleren Tropfendurchmesser und eine maximale Strahllänge auf.
Die Auslegungseinheit Strahlausbreitung weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Randbedingungen das Verdichtungsverhältnis ε, den Einspritzbeginn EB, den Ladedruck pL, die Ladelufttemperatur tL, die Motordrehzahl n, eine Kraftstoffspezifikation, den Kolbenbodenwinkel α, den Muldenradius RM, die Feuerstegbreite BFS, den Abstand Kolben-Kopf AKKmin und einen Muldendurchmesser DM auf.
Die Auslegungseinheit Strahlausbreitung weist gemäß dieser Ausführungsform der Erfindung als Auslegungs-Parameter eine Spritzlochlänge lS, den Sacklochdruck pSack, eine Kraftstoffdichte rK, die Drallzahl, eine Spritzlochanzahl nS, einen Spritzlochdurchmesser DS, eine Kraftstofftemperatur TK, eine Luftdichte ρL, einen Durchflusskoeffizienten der Spritzlöcher ξS, einen Einspritzverlauf, einen Druck im Brennraum, einen Verrundungsradius und eine Lufttemperatur im Brennraum auf.

Auslegungs-Randbedingungen und Auslegungs-Zielgrößen für die Brennkraftmaschine gemäß dieser Ausführungsform der Erfindung sind in der folgenden Tabelle 2 aufgelistet.

Auslegungs-Zielgrößen	Auslegungs-Randbedingungen
min. spez. Kraftstoffverbrauch	Kraftstoff Hochsee: HFO (Heavy Fuel Oil – Schweröl) Kraftstoff Hafen: MGO (Marine Gas Oil – mittelschweres Gasöl (DMA))
Einhaltung EPA TIER 2 (EPA – Environmental Protection Agency (der Vereinigten Staaten von Amerika)) maximale Motorleistung, maximaler NOx-Aasstoß (begrenzt)	EPA TIER 2 (TIER 2 – Fahrzeug und Kraftstoff Schwefel Programm der EPA)
maximale Motormasse (begrenzt)	minimaler Bauraum
maximale Motorhöhe (begrenzt)	minimale Masse
maximale Zuverlässigkeit	Propellerbetrieb
minimale Kosten/Motor	V-Motor + L-Motor
minimale Wartungskosten	2 Turbolader bzw. 1
minimale Vibrationsamplituden
	Auslegungs-Randbedingungen aller Auslegungseinheiten

Tabelle 2

Auslegungs-Parameter zum Beeinflussen der Auslegungs-Tiefgrößen der Brennkraftmaschine werden gemäß dieser Ausführungsform der Erfindung als die Gesamtheit der Auslegungs-Parameter aller Auslegungseinheiten definiert.
Gemäß der Erfindung werden bei dem Verfahren zum Auslegen einer Brennkraftmaschine Schnittstellen zwischen den einzelnen Auslegungseinheiten ausgebildet, wobei die Schnittstellen durch Überschneidungen der Auslegungsdaten der einzelnen Auslegungseinheiten definiert sind. Diese Schnittstellen sind in 1 als Verbindungslinien dargestellt, die mit ihren Enden auf die sich jeweils überscheidenden Auslegungsdaten weisen.
Für alle Auslegungseinheiten gleichzeitig werden dann mittels jeweiliger PSO-Optimierungen auf deren jeweilige Auslegungs-Zielgrößen ausgerichtet und unter Einhaltung von deren jeweiligen Auslegungs-Randbedingungen deren jeweilige Auslegungs-Parameter so optimiert, dass unter gegenseitiger Wichtung der sich überschneidenden Auslegungsdaten aller Auslegungseinheiten und unter Einhaltung der Auslegungs-Randbedingungen für die Brennkraftmaschine die Auslegungs-Zielgrößen für die Brennkraftmaschine optimal erreicht bzw. eingehalten werden.
Jegliche Wichtungen für die Optimierungen der Auslegungseinheiten und der Brennkraftmaschine als Ganzes können beispielsweise unter dem Aspekt der Wichtigkeit der Einhaltung/Erreichung der Auslegungs-Randbedingungen bzw. der Auslegungs-Zielgrößen vorgenommen werden.
Bei Ausführung der jeweiligen PSO-Optimierungen werden über die in 1 gezeigten Schnittstellen Auslegungsdaten zwischen den Auslegungseinheiten ausgetauscht.
Zum Erreichen der Auslegungs-Zielgrößen für die Brennkraftmaschine wird dabei eine den jeweiligen Optimierungen unter Nutzung des PSO-Algorithmus für die einzelnen Auslegungseinheiten übergeordnete Optimierung unter Nutzung des PSO-Algorithmus durchgeführt.
Eine beispielhafte Zielfunktion für die Auslegungseinheit Einspritzdüse kann wie folgt definiert sein: Fitness = G1·VSackN – G2·pSackN + G3·ADLN + G4·σN + G5·hN (6)wobei ADL der gegenseitige Abstand der Düsenlöcher ist und der Index N anzeigt, dass die damit versehenen Werte normiert sind, also auf einen Referenzwert wie z. B. einen Referenzdruck bezogen sind.
In dieser Zielfunktion befinden sich gewichtete Auslegungs-Zielgrößen, wobei G_i die Gewichtungsfaktoren sind. Das Volumen VSack soll im Fall der Düsenoptimierung minimiert werden, hat also ein positives Vorzeichen, während pSack (Druck) im gleichen Zuge maximiert werden soll und somit ein negatives Vorzeichen hat. In diese Zielfunktion bzw. Gütefunktion fließt außerdem eine Reihe von Straftermen (nicht gezeigt) ein, welche der Zielfunktion gedanklich hinzuzufügen sind. Werden Auslegungs-Randbedingungen nicht erfüllt, erhält ein Strafterm einen hohen positiven Wert, so dass der Optimierer bzw. der PSO-Algorithmus ein Moment erhält, die Auslegungs-Parameter so zu wählen, dass der Strafterm entfällt, die Zielfunktion also minimiert wird.
Im Fazit ist in Bezug auf den erfindungsgemäß genutzten PSO-Algorithmus zu bemerken, dass dieser gemäß Ausführungsformen der Erfindung bevorzugt analog zu den in dem Dokument IEEE Neural Networks Society, Februar 2004, Seiten 8–13, Artikel "Particle Swarm Optimization, Yuhui Shi beschriebenen PSO-Algorithmus ggf. mit den dort aufgezeigten Erweiterungen oder auch analog zu dem in dem Artikel von J. Kennedy und R. Eberhart. "A New Optimizer Using Particle Swarm Theory", Seiten 39–43, aus Proc. IEEEE Int. Conf. on Neural Networks, 1995 beschriebenen PSO-Algorithmus ggf. mit den dort aufgezeigten Erweiterungen durchgeführt bzw. realisiert wird. Diese beiden Quellen beschreiben die Ursprungsversion des PSO-Algorithmus neben einigen Weiterentwicklungen.
Weitere bevorzugte Möglichkeiten zur Durchführung bzw. Realisierung des erfindungsgemäß genutzten PSO-Algorithmus und einer bedarfsabhängigen Erweiterung dessen sind in der Seminarausarbeitung der Universität Dortmund von Niels Pothmann, Seminar "Optimierung und Entscheidungsunterstützung", Vortrag "Swarm Intelligence", unter Punkt 3, Seiten 7-14 (im Internet erhältlich unter: http://ls2-www.cs.uni-dortmund.de/~japsen/seminare/opt2006/nielspothmann.pdf) sowie in der Bachelorarbeit von Christian Grelle vom 2.10.2008, "Optimierung künstlicher neuronaler Netze mit Swarm Intelligence", auf den Seiten 7–8 beschrieben.
Abschließend ist zu erwähnen, dass gemäß einer alternativen Ausführungsform auch ein einziger solcher PSO-Algorithmus auf die gesamte Brennkraftmaschine angewendet werden kann, wobei dann z. B. alle in der beschriebenen erfindungsgemäßen Ausführungsform aufgezeigten Auslegungs-Zielgrößen, Auslegungs-Randbedingungen und Auslegungs-Parameter in die Optimierung mit einbezogen werden können und praktisch nur eine einzige Auslegungseinheit, nämlich die Brennkraftmaschine als Ganzes, definiert ist.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
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.
Zitierte Patentliteratur

- DE 102006043460 A1 [0002, 0003, 0004, 0067, 0068, 0069]

Zitierte Nicht-Patentliteratur

- J. Kennedy, R. Eberhart: Particle Swarm Optimization. Proc. IEEE Int. Conf. an Neural Networks, 1995, S. 1942–1948 [0003]
- Blackwell, T., Branke, J., Li, X.: Particle Swarm with Speciation and Adaptation in a Dynamic Environment. GECCO '06, In Genetic and Evolutionary Computation Conference, GECCO '06, pages 51–58, ACM, 2006 [0060]
- Dokument IEEE Neural Networks Society, Februar 2004, Seiten 8–13, Artikel ”Particle Swarm Optimization, Yuhui Shi [0091]
- J. Kennedy und R. Eberhart. ”A New Optimizer Using Particle Swarm Theory”, Seiten 39–43, aus Proc. IEEEE Int. Conf. on Neural Networks, 1995 [0091]
- Seminarausarbeitung der Universität Dortmund von Niels Pothmann, Seminar ”Optimierung und Entscheidungsunterstützung”, Vortrag ”Swarm Intelligence”, unter Punkt 3, Seiten 7-14 [0092]
- http://ls2-www.cs.uni-dortmund.de/~japsen/seminare/opt2006/nielspothmann.pdf [0092]
- Bachelorarbeit von Christian Grelle vom 2.10.2008, ”Optimierung künstlicher neuronaler Netze mit Swarm Intelligence”, auf den Seiten 7–8 [0092]

Claims

Verfahren zum Auslegen einer Brennkraftmaschine, aufweisend: Definieren von Auslegungs-Randbedingungen für die Brennkraftmaschine, Definieren von Auslegungs-Zielgrößen für die Brennkraftmaschine, Definieren von bestimmten Baugruppen der Brennkraftmaschine und bestimmten funktionsbedingten Betriebsprozessen in der Brennkraftmaschine, wobei die Baugruppen und die Betriebsprozesse Auslegungseinheiten der Brennkraftmaschine bilden, Definieren von jeweiligen Auslegungs-Randbedingungen für die einzelnen Auslegungseinheiten, Definieren von jeweiligen Auslegungs-Zielgrößen für die einzelnen Auslegungseinheiten sowie daraus Definieren von den die Auslegungs-Zielgrößen beeinflussenden jeweiligen Auslegungs-Parametern, wobei die Auslegungs-Randbedingungen, die Auslegungs-Zielgrößen und die Auslegungs-Parameter einer jeden Auslegungseinheit Auslegungsdaten für diese Auslegungseinheit bilden, Ausbilden von durch Überschneidungen der Auslegungsdaten der einzelnen Auslegungseinheiten definierten Schnittstellen zwischen den einzelnen Auslegungseinheiten, und für alle Auslegungseinheiten zusammen mittels einem Particle-Swarm-Optimization-Algorithmus auf deren jeweilige Auslegungs-Zielgrößen ausgerichtet und unter Einhaltung von deren jeweiligen Auslegungs-Randbedingungen Optimieren der Auslegungs-Parameter mittels PSO-Version für statische und/oder dynamische Aufgabenstellungen, so dass unter gegenseitiger Wichtung der sich überschneidenden Auslegungsdaten aller Auslegungseinheiten und unter Einhaltung der Auslegungs-Randbedingungen für die Brennkraftmaschine die Auslegungs-Zielgrößen für die Brennkraftmaschine optimal erreicht werden.
Verfahren gemäß Anspruch 1, wobei für jede Auslegungseinheit mittels des Particle-Swarm-Optimization-Algorithmus auf deren jeweilige Auslegungs- Zielgrößen ausgerichtet und unter Einhaltung von deren jeweiligen Auslegungs-Randbedingungen Optimieren der Auslegungs-Parameter mittels PSO-Version für statische und/oder dynamische Aufgabenstellungen, so dass unter gegenseitiger Wichtung der sich überschneidenden Auslegungsdaten aller Auslegungseinheiten und unter Einhaltung der Auslegungs-Randbedingungen für die Brennkraftmaschine die Auslegungs-Zielgrößen für die Brennkraftmaschine optimal erreicht werden.
Verfahren gemäß Anspruch 1 und 2, Wobei zum jeweiligen Optimieren mittels des Particle-Swarm-Optimization-Algorithmus für statische und/oder dynamische Aufgabenstellungen über die Schnittstellen Auslegungsdaten zwischen den Auslegungseinheiten ausgetauscht werden.
Verfahren gemäß Anspruch 2 oder 3, wobei das jeweilige Optimieren mittels des Particle-Swarm-Optimization-Algorithmus für statische und/oder dynamische Aufgabenstellungen für alle Auslegungseinheiten gleichzeitig durchgeführt wird.
Verfahren gemäß einem der Ansprüche 2 bis 4, wobei Auslegungs-Parameter zum Beeinflussen der Auslegungs-Zielgrößen der Brennkraftmaschine als die Gesamtheit der Auslegungs-Parameter alter Auslegungseinheiten definiert werden, und wobei zum Erreichen der Auslegungs-Zielgrößen für die Brennkraftmaschine eine den jeweiligen Optimierungen unter Nutzung des Particle-Swarm-Optimization-Algorithmus für statische und/oder dynamische Aufgabenstellungen für die einzelnen Auslegungseinheiten übergeordnete Optimierung unter Nutzung des Particle-Swarm-Optimization-Algorithmus für statische und/oder dynamische Aufgabenstellungen durchgeführt wird.