-
Die Erfindung betrifft ein Verfahren zur beschleunigten Simulation des Verhaltens einer Komponente eines Verbrennungsmotors ausgehend von einem physikalischen Simulationsmodell sowie ein Simulationssystem zur beschleunigten Simulation des Verhaltens einer Komponente eines Verbrennungsmotors ausgehend von einem physikalischen Simulationsmodell.
-
Ferner betrifft die Erfindung ein Verfahren zur Herstellung einer Komponente eines Verbrennungsmotors.
-
Bei der Entwicklung und dem Entwurf von Komponenten von Verbrennungsmotoren kommt aufgrund der hohen Komplexität heutiger Verbrennungsmotoren der Simulation der Komponenten anhand physikalisch basierter Simulationsmodelle eine große Bedeutung zu. Durch derartige Simulationen können beim Entwurf fertigungsbedingte Toleranzen und Streuungen durch die Simulation von Minimal- und Maximalwerten der Eingangsgrößen abgebildet werden. Da die Ausgangsgrößen oftmals nicht linear abhängig von den Eingangsgrößen sind, besteht das grundsätzliche Problem, dass durch Simulationen von Minimal- und Maximalwerten der Eingangsgrößen nicht notwendigerweise die vollständige Schwankungsbreite der Ausgangsgrößen beschrieben werden kann.
-
Zudem ist es bei solchen physikalischen Simulationsmodellen, die eine hohe Anzahl an Eingangsgrößen aufweisen, nur mit unverhältnismäßig großem Aufwand möglich, die Schwankungsbreite sämtlicher Ausgangsgrößen zu ermitteln.
-
Vor diesem Hintergrund ist es Aufgabe der vorliegenden Erfindung, auch bei solchen Komponenten, deren physikalisches Simulationsmodell eine hohe Anzahl an Eingangsgrößen aufweist, mit moderatem Aufwand die Schwankungsbreite der Ausgangsgrößen ermitteln zu können.
-
Die Aufgabe wird gelöst durch ein Verfahren zur beschleunigten Simulation des Verhaltens einer Komponente eines Verbrennungsmotors ausgehend von einem physikalischen Simulationsmodell, wobei das Simulationsmodell als Eingangsgrößen mehrere Systemparameter und als Ausgangsgrößen mehrere Leistungsmerkmale aufweist, wobei das physikalische Simulationsmodell durch ein künstliches neuronales Netzwerk ersetzt wird, das ein Cluster aus radialen Basisfunktionsnetzwerken aufweist, mit folgenden Verfahrensschritten:
- - Bereitstellen einer Auswahl von Systemparametern des physikalischen Simulationsmodells und Parameterkombinationen mehrerer Systemparameter des physikalischen Simulationsmodells;
- - Gruppieren der Systemparameter und Parameterkombinationen zu mehreren Parametergruppen, wobei in einer Parametergruppe eine oder mehrere Systemparameter und/oder Parameterkombinationen enthalten sind;
- - Für jede Parametergruppe Bereitstellen eines künstlichen neuronalen Netzwerks, das ein radiales Basisfunktionsnetzwerk ist;
- - Trainieren der künstlichen neuronalen Netzwerke für jede Parametergruppe;
- - Kombinieren der künstlichen neuronalen Netzwerke zu einem Cluster aus radialen Basisfunktionsnetzwerken.
-
Da die Simulation eines physikalischen Simulationsmodells viel Rechenzeit erfordern kann, wird gemäß der Erfindung anstelle des physikalischen Simulationsmodells ein künstliches neuronales Netzwerk verwendet, das ein Cluster aus radialen Basisfunktionsnetzwerken (RBF-Netzwerken) aufweist. Insofern wird ein datengetriebenes Ersatzmodell des physikalischen Simulationsmodells eingesetzt, welches in kürzerer Zeit simuliert werden kann. Zur Simulation werden jeweils einzelne Systemparameter und Parameterkombinationen mehrerer Systemparameter bereitgestellt, welche insbesondere gemeinsam betrachtet werden können. Diese Systemparameter und Parameterkombinationen werden zu Parametergruppen gruppiert. Jeder Parametergruppe wird dann ein radiales Basisfunktionsnetzwerk aus dem Cluster zugewiesen. Die radialen Basisfunktionsnetzwerke der einzelnen Parametergruppe können unabhängig voneinander, insbesondere parallel, trainiert werden. Schließlich werden die einzelnen radialen basisfunktionsnetzwerkle zu einem Cluster kombiniert, der ein Gesamtersatzmodell für das physikalische Simulationsmodell darstellt. Es ist daher möglich, auch dann wenn eine hohe Anzahl an Systemparametern als Eingangsgröße gegeben ist, mit moderatem Simulationsaufwand die Schwankungsbreite der Ausgangsgrößen zu ermitteln.
-
Unter einem radialen Basisfunktionsnetzwerk wird ein künstliches neuronales feed-forward Netzwerk mit einer verdeckten Schicht und einer Ausgabeschicht verstanden. Die verdeckte Schicht weist mehrere Neuronen mit einer radialen Basisfunktion φ als Aktivierungsfunktion auf. In der Ausgabeschicht ist genau ein Neuron mit einer linearen Ausgabefunktion vorgesehen. Wenn der Eingang des Netzwerks beschrieben ist durch einen Vektor x, dann ist der Ausgang f(x) skalar und bestimmt sich nach
wobei N die Anzahl verdeckter Neuronen ist und c
i der Zentrumsvektor des i-ten Neuron und W
i das Gewicht des i-ten Neurons. Alternativ kann diese Gleichung wie folgt in Matrixform geschrieben werden:
-
Gemäß einer bevorzugten Ausgestaltung des erfindungsgemäßen Verfahrens wird zum Bereitstellen der Auswahl von Systemparametern und Parameterkombinationen aus der Gesamtzahl aller Systemparameter und Parameterkombinationen der Systemparameter eine Untergruppe von einflussführenden Systemparametern und Parameterkombinationen ermittelt. Unter einflussführenden Systemparametern und Parameterkombinationen werden solche Systemparameter und Parameterkombinationen verstanden, deren Einfluss auf ein Leistungsmerkmal größer ist als ein vorgegebener Einfluss-Schwellenwert. Bevorzugt enthält die Auswahl sämtliche Systemparameter und Parameterkombinationen die einen Einfluss auf den jeweiligen Leistungsparameter aufweisen, der größer ist als der vorgegebene Einfluss-Schwellenwert.
-
Eine bevorzugte Ausgestaltung des Verfahrens sieht vor, dass das Gruppieren der Systemparameter und Parameterkombinationen derart erfolgt, dass eine minimale Anzahl an künstlichen neuronalen Netzwerken erhalten wird und die künstlichen neuronalen Netzwerke eine minimale Anzahl an Eingängen aufweisen. Hierdurch kann der Simulationsaufwand weiter reduziert werden.
-
Bevorzugt ist es, wenn zum Trainieren der künstlichen neuronalen Netzwerke eine oder mehrere Simulationsdurchläufe mit dem physikalischen Simulationsmodell durchgeführt werden. Beim Training der künstlichen neuronalen Netzwerke können dem jeweiligen künstlichen neuronalen Netzwerk und dem physikalischen Simulationsmodell identische Systemparameter oder Parameterkombinationen als Eingangsgrößen übergegeben werden. Über einen Vergleich der von dem künstlichen neuronalen Netzwerk und von dem physikalischen Simulationsmodell berechneten Leistungsmerkmale können Rückschlüsse auf eine ggf. erforderliche Änderung der Konfiguration des künstlichen neuronalen Netzwerks gezogen werden.
-
Gemäß einer vorteilhaften Ausgestaltung der Erfindung weisen die künstlichen neuronalen Netzwerke Zentrumsvektoren und Gewichtungsvektoren auf, wobei beim Kombinieren der künstlichen neuronalen Netzwerke die Zentrumsvektoren in den Cluster aus radialen Basisfunktionsnetzwerken übernommen werden und die Gewichtungsvektoren neu berechnet werden. Die Neuberechnung der Gewichtungsvektoren erfolgt bevorzugt durch eine lineare Regression.
-
Eine bevorzugte Ausgestaltung des Verfahrens sieht vor, dass der Cluster aus radialen Basisfunktionsnetzwerken eine Blockdiagonalmatrix aufweist. Sofern der mehrdimensionale Raum der Eingangsgrößen durch das Gruppieren der Systemparameter und Parameterkombinationen in zueinander orthogonale Unterräume aufgeteilt ist, kann der Cluster aus radialen Basisfunktionsnetzwerken durch eine Blockdiagonalmatrix repräsentiert werden.
-
Ein weiterer Gegenstand der Erfindung ist ein Verfahren zur Herstellung einer Komponente eines Verbrennungsmotors, wobei ein Konstruktionsplan der Komponente erstellt wird, wobei auf Grundlage des Konstruktionsplans ein physikalisches Simulationsmodell der Komponente erstellt wird, wobei ein vorstehend beschriebenes Verfahren zur beschleunigten Simulation des Verhaltens der Komponente des Verbrennungsmotors durchgeführt wird, wobei die Komponente auf Grundlage des Konstruktionsplans hergestellt wird.
-
Bei dem Herstellungsverfahren kommt ein vorstehend beschriebenes Verfahren zur beschleunigten Simulation des Verhaltens der Komponente des Verbrennungsmotors zum Einsatz, sodass während der Auslegung der Komponente mit moderatem Aufwand die Schwankungsbreite der Ausgangsgrößen ermittelt werden kann.
-
Ferner betrifft die Erfindung ein Simulationssystem zur beschleunigten Simulation des Verhaltens einer Komponente eines Verbrennungsmotors ausgehend von einem physikalischen Simulationsmodell, wobei das Simulationsmodell als Eingangsgrößen mehrere Systemparameter und als Ausgangsgrößen mehrere Leistungsmerkmale aufweist, wobei das Simulationssystem ein künstliches neuronales Netzwerk umfasst, das ein Cluster aus radialen Basisfunktionsnetzwerken aufweist, wobei das Simulationssystem konfiguriert ist, um die folgenden Verfahrensschritte auszuführen:
- - Bereitstellen einer Auswahl von Systemparametern des physikalischen Simulationsmodells und Parameterkombinationen mehrerer Systemparameter des physikalischen Simulationsmodells;
- - Gruppieren der Systemparameter und Parameterkombinationen zu mehreren Parametergruppen, wobei in einer Parametergruppe eine oder mehrere Systemparameter und/oder Parameterkombinationen enthalten sind;
- - Für jede Parametergruppe Bereitstellen eines künstlichen neuronalen Netzwerks, das ein radiales Basisfunktionsnetzwerk ist;
- - Trainieren der künstlichen neuronalen Netzwerke für jede Parametergruppe;
- - Kombinieren der künstlichen neuronalen Netzwerke zu einem Cluster aus radialen Basisfunktionsnetzwerken.
-
Bei dem Simulationssystem können dieselben Vorteile erreicht werden wie sie bereits im Zusammenhangmit dem Verfahren zu beschleunigten Simulation beschrieben worden sind.
-
Die künstlichen neuronalen Netzwerke können als Software oder als Hardware realisiert sein.
-
Weitere Einzelheiten und Vorteile der Erfindung sollen nachfolgend anhand des in den Zeichnungen dargestellten Ausführungsbeispiels erläutert werden. Hierin zeigt:
- 1 ein physikalisch basiertes Simulationsmodell einer Komponente eines Verbrennungsmotors in einer schematischen Darstellung;
- 2 eine Auswahl von Systemparametern des physikalischen Simulationsmodells und Parameterkombinationen mehrerer Systemparameter des physikalischen Simulationsmodells und deren Einfluss auf ein beispielhaftes Leistungsmerkmal in einer schematischen Darstellung;
- 3 das Training zweier künstlicher neuronaler Netze in einer schematischen Darstellung; und
- 4 das Zusammenführen der Matrizen zweier künstlicher neuronaler Netzwerke zu einem Cluster aus neuronalen Netzwerken in einer schematischen Darstellung.
-
In der 1 ist exemplarisch ein physikalisches Simulationsmodell 1 einer Komponente eines Verbrennungsmotors dargestellt. Bei der Komponente kann es sich beispielsweise um eine Komponente eines Ventiltriebs, eine Komponente eines Systems zur Nockenwellenverstellung oder eine Komponente eines Systems zur Zylinderabschaltung handeln. Das physikalisch basierte Simulationsmodell 1 weist als Eingangsgrößen mehrere Systemparameter 2 und als Ausgangsgrößen mehrere Leistungsmerkmale 3 auf. Die Anzahl der Systemparameter 2 kann beispielsweise im Bereich größer als 50, bevorzugt größer als 75, besonders bevorzugt größer als 100 liegen. Die Anzahl der Leistungsmerkmale 3 ist typischerweise geringer als die Anzahl der Systemparameter 2 und liegt im Bereich größer als 5, bevorzugt größer als 7, besonders bevorzugt größer als 10.
-
Bei einem Verfahren zur Herstellung der Komponente des Verbrennungsmotors wird zunächst ein Konstruktionsplan der Komponente erstellt und auf Grundlage des Konstruktionsplans wird das physikalische Simulationsmodell 1 der Komponente abgeleitet. Bevor die Komponente auf Grundlage des Konstruktionsplans hergestellt wird, wird die Auslegung mittels einem Verfahren zur beschleunigten Simulation des Verhaltens der Komponente des Verbrennungsmotors überprüft. Hierbei können beispielsweise die Schwankungsbreiten der Leistungsmerkmale 3 in Abhängigkeit von der Schwankungsbreite der Systemparameter 2 ermittelt werden.
-
Bei dem Verfahren zur beschleunigten Simulation des Verhaltens der Komponente des Verbrennungsmotors ausgehend von dem physikalischen Simulationsmodell 1 wird das physikalische Simulationsmodell 1 durch ein künstliches neuronales Netzwerk ersetzt, das ein Cluster aus radialen Basisfunktionsnetzwerken aufweist. Hierbei werden die folgenden Verfahrensschritte durchgeführt:
- - Bereitstellen einer Auswahl von Systemparametern 2 des physikalischen Simulationsmodells 1 und Parameterkombinationen mehrerer Systemparameter 2 des physikalischen Simulationsmodells 1;
- - Gruppieren der Systemparameter 2 und Parameterkombinationen zu mehreren Parametergruppen, wobei in einer Parametergruppe eine oder mehrere Systemparameter 2 und/oder Parameterkombinationen enthalten sind;
- - Für jede Parametergruppe Bereitstellen eines künstlichen neuronalen Netzwerks, das ein radiales Basisfunktionsnetzwerk ist;
- - Trainieren der künstlichen neuronalen Netzwerke für jede Parametergruppe;
- - Kombinieren der künstlichen neuronalen Netzwerke zu einem Cluster aus radialen Basisfunktionsnetzwerken.
-
Das physikalische Simulationsmodell 1 wird somit durch ein datengetriebenes Ersatzmodell in Form eines künstlichen neuronalen Netzwerks ersetzt, welches sehr schnell berechenbar ist. Ein radiales Basisfunktionsnetzwerk ist ein künstliches neuronales feed-forward Netzwerk mit einer verdeckten Schicht und einer Ausgabeschicht. Die verdeckte Schicht weist mehrere Neuronen mit einer radialen Basisfunktion φ als Aktivierungsfunktion auf. In der Ausgabeschicht ist genau ein Neuron mit einer linearen Ausgabefunktion vorgesehen. Bei der Beschreibung des physikalischen Simulationsmodells durch genau ein radiales Basisfunktionsnetzwerk erhöht sich die Anzahl an erforderlichen Neuronen in der verdeckten Schicht mit der Anzahl an Systemparametern als Eingangsgrößen. Das Trainieren eines solchen radialen Basisfunktionsnetzwerks mit etwa einhundert Systemparametern wäre mit angemessenem Rechenaufwand nicht möglich. Erfindungsgemäß wird der Rechenaufwand daher reduziert, indem der hochdimensionale Raum der Eingangsgrößen in - zumindest teilweise - zueinander orthogonale Unterräume zerlegt wird. Das bedeutet, dass die eigentliche Abbildung der Systemparameter 2 auf die Leistungsmerkmale 3 ersetzt wird durch eine Summe der einzelnen radialen Basisfunktionsnetzwerke, welche über Unterräume mit geringerer Dimension definiert sind.
-
Für eine geeignete Zerlegung des Raums der Systemparameter 2 werden bevorzugt Ergebnisse einer zuvor durchgeführten Analyse der Einflüsse einzelner Systemparameter und Parameterkombinationen verwendet. Ein beispielhaftes Ergebnis einer solchen Analyse für ein Leistungsmerkmal 3, hier eine maximale Kolbentemperatur ist in der 2 dargestellt. Hierbei sind vierzig relevante einzelne Systemparameter 2 und relevante Parameterkombinationen zweier oder mehrerer Systemparameter 2 auf der Abszissenachse aufgetragen. Für jede dieser Systemparameter 2 bzw. Parameterkombinationen ist der Einfluss dargestellt, der sich auf die maximale Variation des Leistungsparameters 3 bezieht. Beispielsweise enthält die Darstellung die Parametergruppe mit der Ordnungszahl 15 mit den Systemparametern 3 mit den Ordnungszahlen 9, 23, 24, 26, 34 und 35. Diese Parametergruppe weist eine Multiplizität von sechs auf.
-
In einem weiteren Verfahrensschritt werden die Systemparameter 2 und Parameterkombinationen derart gruppiert, dass eine minimale Anzahl an künstlichen neuronalen Netzwerken erhalten wird und die künstlichen neuronalen Netzwerke eine minimale Anzahl an Eingängen aufweisen.
-
Wie in 3 verdeutlicht ist, werden, nachdem diese Grundstruktur des Ersatzmodells aufgesetzt ist, die radialen Basisfunktionsnetzwerke 104 trainiert. Zum Trainieren der künstlichen neuronalen Netzwerke werden ein oder mehrere Simulationsdurchläufe mit dem physikalischen Simulationsmodell 1 durchgeführt. Dieser Vorgang wird für jede Parametergruppe 100 separat durchgeführt. In Schritt 101 wird ein experimentelles Design entworfen. In Schritt 102 erfolgt das Design der Experimente. In Schritt 103 wird das radiale Basisfunktionsnetzwerk trainiert, so dass schließlich ein trainiertes künstliches neuronales Netzwerk 104 für die jeweilige Parametergruppe 100 erhalten wird.
-
Dann werden die erhaltenen künstlichen neuronalen Netzwerke 104 zu einem Cluster aus mehreren künstlichen neuronalen Netzwerken kombiniert. Da sich die Unterräume, d.h. z.B. die Parametergruppen 100, zumindest teilweise überlappen können, ist es nicht möglich, die erhaltenen künstlichen neuronalen Netzwerke 104 einfach additiv zu verknüpfen.
-
Die einzelnen künstlichen neuronalen Netzwerke 104 weisen Zentrumsvektoren und Gewichtungsvektoren auf. Beim Kombinieren der künstlichen neuronalen Netzwerke 104 werden die Zentrumsvektoren in den Cluster aus radialen Basisfunktionsnetzwerken übernommen und die Gewichtungsvektoren werden neu berechnet. Dies kann beispielsweise durch eine lineare Regression erfolgen.
-
In 4 ist exemplarisch das Kombinieren zweier einzelner künstlicher neuronaler Netzwerke 104 zu einem Cluster 105 skizziert. In dem hier gezeigten Fall sind die Unterräume des Raums der Systemparameter 2, also auch die Parametergruppe, vollständig zueinander orthogonal. Daher wird als Gesamtmatrix des Clusters 105 eine Blockdiagonalmatrix 106 erhalten.
-
Das vorstehend beschriebene Verfahren wurde an einem physikalischen Simulationsmodell evaluiert, das als nichtlineares, physikalisches Simulationsmodell eines Wärmeübergangs mit einhundert Systemparametern ausgebildet ist. Die Anzahl miteinander kombinierter künstlicher neuronaler Netzwerke ist für verschiedene Leistungsmerkmale unterschiedlich. In diesem Beispiel wurden jeweils sechs bis zehn künstliche neuronale Netzwerke mit bis zu acht Eingangsgrößen zu einem Cluster aus radialen Basisfunktionsnetzwerken kombiniert. Die Validierung basiert auf 270.000 Punkten und ergibt einen geringen Validierungsfehler, vgl. Tabelle 1. Beispielsweise haben 98% aller Messpunkte für das Leistungsmerkmale „max_Temp_difference_degC“ einen Validierungsfehler kleiner als 1%.
Tabelle 1
| integral-total_pressure' | Max_piston_temp_degC' | max_Temp_difference_degC' |
RMSE Error | 0,39 | 0,76 | 0,33 |
Arithmetic mean error | 0.20% | 0.50% | 0.22% |
Max error | 18.61% | 11.47% | 4.09% |
Error >25% | 0 | 0 | 0 |
25%-15% | 2 | 0 | 0 |
15%-8% | 30 | 27 | 0 |
8%-4% | 276 | 535 | 1 |
4%-1% | 4763 | 35774 | 5206 |
1%-0.4% | 27858 | 72941 | 30632 |
0.4%> | 235918 | 159570 | 233008 |