DE102017123042A1

DE102017123042A1 - Verfahren zum Auslegen einer Brennkraftmaschine oder eines Systems aus mehreren Brennkraftmaschinen

Info

Publication number: DE102017123042A1
Application number: DE102017123042.4A
Authority: DE
Inventors: Hendrik Große-Löscher; Niclas Meyer
Original assignee: MAN Diesel and Turbo SE
Current assignee: MAN Energy Solutions SE
Priority date: 2017-10-05
Filing date: 2017-10-05
Publication date: 2019-04-11

Abstract

Verfahren zum Auslegen einer Brennkraftmaschine eines Systems aus mehreren Brennkraftmaschinen, mit folgenden Schritten: Definieren mindestens einer Auslegungs-Randbedingung. Definieren mindestens einer Auslegungs-Zielgröße. Definieren mindestens einer bestimmten Baugruppe und/oder mindestens eines bestimmten funktionsbedingten Betriebsprozesses der Brennkraftmaschine oder des Systems aus mehreren Brennkraftmaschinen, wobei jede Baugruppe und/oder jeder Betriebsprozesse eine Auslegungseinheit bildet. Definieren von mindestens einer jeweiligen Auslegungs-Randbedingung für die oder jede Auslegungseinheit. Definieren von mindestens einer jeweiligen Auslegungs-Zielgröße für die oder jede Auslegungseinheiten sowie daraus Definieren von den die oder jede Auslegungs-Zielgröße beeinflussenden jeweiligen Auslegungs-Parametern, wobei die oder jede Auslegungs-Randbedingung, die oder jede Auslegungs-Zielgröße und die Auslegungs-Parameter der jeweiligen Auslegungseinheit Auslegungsdaten für diese Auslegungseinheit bilden. Im Falle von mehreren Auslegungseinheiten Ausbilden von durch Überschneidungen der Auslegungsdaten der einzelnen Auslegungseinheiten definierten Schnittstellen zwischen den mehreren Auslegungseinheiten. Für die oder jede Auslegungseinheit einzeln und im Falle von mehreren Auslegungseinheiten für alle Auslegungseinheiten zusammen mittels einem Particle-Swarm-Optimization-Algorithmus auf die oder jede Auslegungs-Zielgröße ausgerichtet und unter Einhaltung der oder jeder Auslegungs-Randbedingung Optimieren der Auslegungs-Parameter mittels des Particle-Swarm-Optimization-Algorithmus. Bei Ausführung des Particle-Swarm-Optimization-Algorithmus wird eine mittlere Schwarmgeschwindigkeit über alle jeweiligen Partikel und alle jeweiligen Auslegungs-Parameter bestimmt wird, wobei dann, wenn die mittlere Schwarmgeschwindigkeit kleiner als ein definierter Grenzwert wird und wenn weiterhin die Anzahl der ausgeführten Iterationen kleiner als ein definierter Grenzwert ist, der Particle-Swarm-Optimization-Algorithmus neu initialisiert wird.

Description

Die Erfindung betrifft ein Verfahren zum Auslegen einer Brennkraftmaschine oder eines Systems aus mehreren Brennkraftmaschinen.
Aus der DE 10 2010 003 698 A1 und der DE 10 2015 002 733 A1 ist jeweils ein Verfahren zum Auslegen der Kontur eines Steuernockens einer Brennkraftmaschine mit folgenden Schritten bekannt: Definieren einer vorbestimmten Anzahl von jeweils einen Initialisierungswert 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, 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 Particle-Swarm-Optimization-Algorithmus unter Einbeziehung wenigstens einer der definierten Auslegungs-Zielgrößen, wobei unter Verwendung des Particle-Swarm-Optimization-Algorithmus Ermitteln von Werten für die Parameter jedes Partikels, so dass unter Berücksichtigung der wenigstens einen Auslegungs-Randbedingung ein auf ein Optimierungsziel optimierter Wert der Zielfunktion erzielt wird.
Die DE 10 2010 003 712 A1 offenbart ein Verfahren zur Optimierung eines Arbeitsprozesses einer Brennkraftmaschine mit Hilfe eines Particle-Swarm-Optimization-Algorithmus (PSO-Algorithmus).
Die DE 10 2014 213 866 A1 offenbart ein Verfahren zur Abstimmung einer Brennkraftmaschine in der Entwicklung durch Kennfeldoptimierung hochdimensionaler Parameterräume mit Hilfe eines PSO-Algorithmus.
Die DE 10 2010 003 725 A1 offenbart eine Auslegung einer Brennkraftmaschine ebenfalls über einen PSO-Algorithmus.
Aus DE 10 2006 043 460 A1 ist ein Verfahren zur Optimierung einer Einspritzdüse einer 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 sich wie Vögel 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. on Neural Networks, 1995, Seiten 1942 bis 1948).
Es ist also grundsätzlich bekannt, eine Brennkraftmaschine, nämlich eine Baugruppe derselben und/oder den Betrieb derselben, über einen Particle-Swarm-Optimization-Algorithmus bzw. PSO-Algorithmus zu optimieren.
Der Erfindung liegt die Aufgabe zugrunde, ein verbessertes Verfahren zum Auslegen einer Brennkraftmaschine oder eines Systems aus mehreren Brennkraftmaschinen bereitzustellen, mit Hilfe dessen es möglich ist, Auslegungspotentiale optimal auszuschöpfen. Die Erfindung stellt ein Verfahren zum Auslegen einer Brennkraftmaschine oder eines Systems aus mehreren Brennkraftmaschinen nach Anspruch 1 bereit. Das Verfahren nutzt folgende Schritte:
Definieren mindestens einer Auslegungs-Randbedingung für die Brennkraftmaschine oder das System aus mehreren Brennkraftmaschinen.
Definieren mindestens einer Auslegungs-Zielgröße für die Brennkraftmaschine oder das System aus mehreren Brennkraftmaschinen.
Definieren mindestens einer bestimmten Baugruppe und/oder mindestens eines bestimmten funktionsbedingten Betriebsprozesses der Brennkraftmaschine oder des Systems aus mehreren Brennkraftmaschinen, wobei jede Baugruppe und/oder jeder Betriebsprozesse eine Auslegungseinheit bildet.
Definieren von mindestens einer jeweiligen Auslegungs-Randbedingung für die oder jede Auslegungseinheit.
Definieren von mindestens einer jeweiligen Auslegungs-Zielgröße für die oder jede Auslegungseinheit sowie daraus Definieren von den die oder jede Auslegungs-Zielgröße beeinflussenden jeweiligen Auslegungs-Parametern, wobei die oder jede jeweilige Auslegungs-Randbedingung, die oder jede jeweilige Auslegungs-Zielgröße und die jeweiligen Auslegungs-Parameter der jeweiligen Auslegungseinheit Auslegungsdaten für die jeweilige Auslegungseinheit bilden.
Im Falle von mehreren Auslegungseinheiten Ausbilden von durch Überschneidungen der Auslegungsdaten der einzelnen Auslegungseinheiten definierten Schnittstellen zwischen den mehreren Auslegungseinheiten.
Für die oder jede Auslegungseinheit einzeln und im Falle von mehreren Auslegungseinheiten für alle Auslegungseinheiten zusammen mittels einem Particle-Swarm-Optimization-Algorithmus auf die oder jede Auslegungs-Zielgröße ausgerichtet und unter Einhaltung der oder jeder Auslegungs-Randbedingung Optimieren der Auslegungs-Parameter mittels des Particle-Swarm-Optimization-Algorithmus, so dass die oder jede Auslegungs-Zielgröße der Brennkraftmaschine oder des Systems aus mehreren Brennkraftmaschinen optimal erreicht wird.
Im Sinne der Erfindung wird bei Ausführung des Particle-Swarm-Optimization-Algorithmus für die oder jede Auslegungseinheit einzeln und im Falle von mehreren Auslegungseinheiten für alle Auslegungseinheiten zusammen jeweils eine mittlere Schwarmgeschwindigkeit über alle jeweiligen Partikel und alle jeweiligen Auslegungs-Parameter bestimmt.
Dann, wenn die mittlere Schwarmgeschwindigkeit kleiner als ein definierter Grenzwert wird und wenn weiterhin die Anzahl der ausgeführten Iterationen kleiner als ein definierter Grenzwert ist, wird der Particle-Swarm-Optimization-Algorithmus neu initialisiert.
Mit Hilfe dieser Neuinitialisierung bzw. Reinitialisierung abhängig von der mittleren Schwarmgeschwindigkeit über alle jeweiligen Partikel und alle jeweiligen Auslegungs-Parameter sowie abhängig von der Anzahl der ausgeführten Iterationen kann eine frühzeitige Konvergenz des Particle-Swarm-Optimization-Algorithmus in einem lediglich lokalen Minimum eines Suchraums mit einer Vielzahl lokaler Minima verhindert werden. Es kann verhindert werden, dass ein Optimum zu früh gefunden wird und der Gesamt-Suchraum lediglich zu einem Bruchteil abgesucht wird. Auslegungspotentiale können so optimal ausgeschöpft werden.
Nach einer vorteilhaften Weiterbildung werden dann, wenn der Particle-Swarm-Optimization-Algorithmus neu initialisiert wird, für alle Partikel bisher gefundene Optima gelöscht jedoch diese bisher gefundenen Optima zwischengespeichert. Nach dem Neuinitialisieren des Particle-Swarm-Optimization-Algorithmus wird fortlaufend überprüft, ob neu gefundene Optima bessere Optimierungen darstellen als die bisher gefundenen, zwischengespeicherten Optima, wobei dann, wenn dies der Fall ist, die bisher gefundenen, zwischengespeicherten Optima durch die neu gefundenen Optima ersetzt werden, wohingegen dann, wenn dies nicht der Fall ist, die bisher gefundenen, zwischengespeicherten Optima erhalten bleiben. Auslegungspotentiale können so optimal ausgeschöpft werden.
Vorzugsweise wird auch nach dem Neuinitialisieren des Particle-Swarm-Optimization-Algorithmus die mittlere Schwarmgeschwindigkeit über alle Partikel und alle Auslegungs-Parameter bestimmt, wobei dann die mittlere Schwarmgeschwindigkeit kleiner als ein definierter Grenzwert wird und wenn weiterhin die Anzahl der ausgeführten Iterationen kleiner als der definierte Grenzwert ist, der Particle-Swarm-Optimization-Algorithmus abermals neu initialisiert wird. Auslegungspotentiale können so optimal ausgeschöpft werden.
Dann, wenn die Anzahl der ausgeführten Iterationen größer als der definierte Grenzwert ist bzw. wird, werden die bisher gefunden, zwischengespeicherten Optima ausgelesen und den Partikeln zur Verfügung gestellt. Auslegungspotentiale können so optimal ausgeschöpft werden.
Dann, wenn im Particle-Swarm-Optimization-Algorithmus die Geschwindigkeiten mit einem Trägheitsfaktor oder einem Constriction Coefficient gewichtet werden, bleiben bei der Bestimmung der mittleren Schwarmgeschwindigkeit der Trägheitsfaktor oder der Constriction Coefficient unberücksichtigt. Auslegungspotentiale können so optimal ausgeschöpft werden.
Bei der Ermittlung der mittleren Schwarmgeschwindigkeit über alle Partikel und alle Auslegungs-Parameter werden für jeden Auslegungs-Parameter normierte Geschwindigkeiten verwendet. Auslegungspotentiale können so optimal ausgeschöpft werden.
Im Falle von mehreren Auslegungseinheiten ist es durch die Aufstellung von Schnittstellen zwischen den vorzugsweise mehreren 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.
Im Falle von mehreren Auslegungseinheiten ist es durch die Definition der Schnittstellen 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 integriert (Co-Optimierung). Es erfolgt dann die optimale Auslegung einer Brennkraftmaschine oder eines Systems mehrerer Brennkraftmaschinen über mehrere Einzeloptimierungen mit dem PSO-Algorithmus, die in geeigneter Weise miteinander verkettet sind.
Im Falle von mehreren Auslegungseinheiten werden zum jeweiligen Optimieren mittels des Particle-Swarm-Optimization-Algorithmus über die Schnittstellen Auslegungsdaten zwischen den Auslegungseinheiten ausgetauscht. Durch den 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 erzielt wird.
Im Falle von mehreren Auslegungseinheiten 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.
Im Falle von mehreren Auslegungseinheiten werden Auslegungs-Parameter zum Beeinflussen der Auslegungs-Zielgrößen als die Gesamtheit der Auslegungs-Parameter aller Auslegungseinheiten definiert, wobei zum Erreichen der Auslegungs-Zielgrößen 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 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.
Im Falle von mehreren Auslegungseinheiten wird 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 Parameterscharen bzw. Auslegungsparameterkombinationen, können zu Anfang der Optimierung stochastisch und/oder determiniert über den gesamten Lösungsraum bzw. Suchraum 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 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.
Die Orientierung der Partikeln bzw. Parameterscharen im Lösungsraum ist D-dimensional, je nach Anzahl der Auslegungs-Parameter. Die Anzahl der Auslegungs-Parameter entspricht also der Anzahl D der Dimensionen des PSO-Algorithmus.
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.
Vorzugsweise werden die in die Zielfunktion einbezogenen Auslegungs-Zielgrößen bzw. Werte als normierte Werte ausgebildet, sind also auf einen jeweiligen Referenzwert bezogen. Vorzugsweise 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.
Vorzugsweise 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; 0,6] ausgewählt wird und danach bis zu 90 Prozent der vorbestimmten Anzahl von Iterationen linear von einem Wert 0,3 bis auf einen Wert 0,01 abnimmt.
Vorzugsweise 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.
Gemäß einer weiteren Ausführungsform 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 Initialisierungswerte für den folgenden Durchlauf des Particle-Swarm-Optimization-Algorithmus verwendet werden.
Gemäß noch einer Ausführungsform werden für die Parameterschar zur Ermittlung der Initialisierungswerte für den direkt folgenden Durchlauf des Particle-Swarm-Optimization-Algorithmus zu 50 Prozent die interpolierten Werte der Parameter aus dem abgeschlossenen Durchlauf des Particle-Swarm-Optimization-Algorithmus und zu 50 Prozent gleichverteilte Zufallszahlen eines vorbestimmten Intervalls verwendet. Dies wird bei jedem Berechnungsgang vom Anfang bis zum Ende der Berechnungen so beibehalten.
Im Folgenden wird die Erfindung anhand bevorzugter Ausführungsformen beschrieben.

Eine Brennkraftmaschine, wie ein durch einen Turbolader 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 eine Brennkraftmaschine ist in der folgenden Tabelle gezeigt:

Baugruppen	Prozesse
Motortriebwerk	Motorprozess
Einspritzsystem (Einspritznocken)	Steuerung der Kraftstoffeinspritzung in den Brennraum
Brennraum	Einspritzung
Ventiltrieb	Gasaustausch; Einspritzung
Turbolader

Bei einem System aus mehreren Brennkraftmaschinen sind diese Baugruppen und Prozesse je Brennkraftmaschinen vorhanden und zu optimieren.
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 Entwicklung einer Brennkraftmaschine oder eines System aus mehreren Brennkraftmaschinen 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 oder an ein System aus mehreren Brennkraftmaschinen 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 oder ein hinsichtlich aller Anforderungen optimales System aus mehreren Brennkraftmaschinen 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 dem obigen Schema starten die Partikeln an 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: $f (x_{1}, \dots, x_{D}) \to Min$
Der PSO-Algorithmus hat nun die Aufgabe, das globale Extremum der Zielfunktion zu finden (in der vorliegenden Ausführungsform: MINIMUM).
Dazu wird eine Anzahl m von Partikeln zugrunde gelegt. Für jeden dieser Anzahl von Partikeln speichert der PSO-Algorithmus die Positionen x_m = (x₁₁, ..., x_mD) und die Geschwindigkeit v_m = (v₁₁, ..., v_mD) sowohl 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 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.
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 Ibest 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.
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: $v_{mD} (t) = w \cdot v_{mD} (t - 1) + n_{1} \cdot r_{1} \cdot (p_{mD} - x_{mD} (t - 1)) + n_{2} \cdot r_{2} \cdot (p_{gD} - x_{mD} (t - 1))$
In Gleichung (2) sind v_m(t) und x_m(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 v_mD(t) erläutert.
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: $w = (w_{start} - w_{end}) \cdot ((MaxEpochs - Epochs) / MaxEpochs) + w_{end}$
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 und 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. 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.
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 pgD 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 hin tendiert. 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: $\begin{array}{l} v_{mD} (t) = v_{MAX} {falls v}_{mD} (t) > v_{MAX} \\ v_{mD} (t) = v_{MIN} {falls v}_{mD} (t) > v_{IMN} \\ v_{mD} (t) = v_{mD} {= falls v}_{IMN} < V_{mD} (t) < v_{MAX} \end{array}$
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: $x_{mD} (t) = x_{mD} (t - 1) + v_{mD} (t)$
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 Ibest, 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 (Ibest) 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 1). 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.
Im Sinne der Erfindung wird bei Ausführung des Particle-Swarm-Optimization-Algorithmus für die oder jede Auslegungseinheit einzeln und im Falle von mehreren Auslegungseinheiten für alle Auslegungseinheiten zusammen jeweils eine mittlere Schwarmgeschwindigkeit über alle jeweiligen Partikel und alle jeweiligen Auslegungs-Parameter bestimmt.
Dabei wird die mittlere Schwarmgeschwindigkeit v_average wie folgt ermittelt: $v_{a v e r a g e} = \frac{\sum_{t = 1}^{I} \sqrt{(\sum_{d = 1}^{D} v_{t d G^{2}})}}{I}$
wobei in der obigen Gleichung (6) I die Anzahl der Partikel ist, D die Anzahl der Auslegungs-Parameter ist, und v_idG die Patikelgeschwindigkeit des Partkels i für den Auslegungs-Parameter d ist.
Die Größe v_idG der Gleichung (6) entspricht der Größe v_mD(t) der Gleichung (2). Es gilt also v_idG=v_mD(t).
Dann, wenn die mittlere Schwarmgeschwindigkeit kleiner als ein definierter Grenzwert wird und wenn weiterhin die Anzahl der ausgeführten Iterationen des Particle-Swarm-Optimization-Algorithmus kleiner als ein definierter Grenzwert ist, wird der Particle-Swarm-Optimization-Algorithmus neu initialisiert.
Der obige Grenzwert für die Anzahl der ausgeführten Iterationen liegt z.B. bei 65% der Gesamtiterationen. Wird also die mittlere Schwarmgeschwindigkeit kleiner als der definierte Grenzwert und ist weiterhin die Anzahl der ausgeführten Iterationen kleiner als z.B. 65% der Gesamtiterationen, wird die Optimierung neu initialisiert.
Mit Hilfe dieser Neuinitialisierung bzw. Reinitialisierung abhängig von der mittleren Schwarmgeschwindigkeit über alle jeweiligen Partikel und alle jeweiligen Auslegungs-Parameter sowie abhängig von der Anzahl der ausgeführten Iterationen kann eine frühzeitige Konvergenz des Particle-Swarm-Optimization-Algorithmus in einem lediglich lokalen Minimum eines Suchraums mit einer Vielzahl lokaler Minima verhindert werden. Es kann verhindert werden, dass ein Optimum zu früh gefunden wird und der Gesamt-Suchraum lediglich zu einem Bruchteil abgesucht wird. Auslegungspotentiale können so optimal ausgeschöpft werden.
Nach einer vorteilhaften Weiterbildung werden dann, wenn der Particle-Swarm-Optimization-Algorithmus neu initialisiert wird, für alle Partikel bisher gefundene Optima gelöscht bzw. zurückgesetzt jedoch werden diese bisher gefundenen Optima zwischengespeichert. Nach dem Neuinitialisieren des Particle-Swarm-Optimization-Algorithmus wird fortlaufend überprüft, ob neu gefundene Optima bessere Optimierungen darstellen als die bisher gefundenen, zwischengespeicherten Optima, wobei dann, wenn dies der Fall ist, die bisher gefundenen, zwischengespeicherten Optima durch die neu gefundenen Optima ersetzt werden, wohingegen dann, wenn dies nicht der Fall ist, die bisher gefundenen, zwischengespeicherten Optima erhalten bleiben.
Vorzugsweise wird auch nach dem Neuinitialisieren des Particle-Swarm-Optimization-Algorithmus die mittlere Schwarmgeschwindigkeit über alle Partikel und alle Auslegungs-Parameter bestimmt, wobei dann die mittlere Schwarmgeschwindigkeit kleiner als ein definierter Grenzwert wird und wenn weiterhin die Anzahl der ausgeführten Iterationen kleiner als der definierte Grenzwert ist, der Particle-Swarm-Optimization-Algorithmus abermals neu initialisiert wird.
Dann, wenn die Anzahl der ausgeführten Iterationen größer als der definierte Grenzwert ist bzw. wird, werden die bisher gefunden, zwischengespeicherten Optima ausgelesen und den Partikeln zur finalen Ausführung des Particle-Swarm-Optimization-Algorithmus Verfügung gestellt.
Dann, wenn im Particle-Swarm-Optimization-Algorithmus die Geschwindigkeiten mit dem Trägheitsfaktor oder dem Constriction Coefficient gewichtet werden, bleiben bei der Bestimmung der mittleren Schwarmgeschwindigkeit der Trägheitsfaktor oder der Constriction Coefficient unberücksichtigt. Trägheitsfaktor oder Constriction Coefficient werden dann auf 1 gesetzt.
Bei der Ermittlung der mittleren Schwarmgeschwindigkeit über alle Partikel und alle Auslegungs-Parameter werden für jeden Auslegungs-Parameter normierte Geschwindigkeiten verwendet, damit der Einfluss einzelner Dimensionen gleich groß ist. Andernfalls könnte ein Parameter, der sich beispielsweise zwischen 0 und 100 bewegt, anders gewichtet werden als ein Parameter zwischen 0 und 1.
Die Neuinitialisierung ähnelt dem Beginn einer Iteration. Alle Partikel werden auf beliebige Positionen gesetzt und jedes Partikel vergisst sozusagen sein bislang gefundenes, lokales und globales Optimum. Diese Werte werden im Hintergrund gespeichert und zu einem späteren Zeitpunkt wieder ausgelesen. Mit Neuinitialisierung beginnt für die Partikel eine neue Optimierung, während permanent verglichen wird, ob die aktuellen Optima eines Partikels besser sind als die im Hintergrund gespeicherten Optima. Ist dies der Fall, wird der neue Wert gespeichert, andernfalls der alte Wert beibehalten. Erst dann, wenn der Grenzwert für die Anzahl der Iterationen erreicht ist, wenn z.B. über 65% der Gesamtiterationen durchlaufen sind, wird den Partikeln ihr persönliches und globaler Optimum zurückgegeben.
Der Grenzwert von 65% der Gesamtiterationen ist besonders bevorzugt, da den Partikeln dann genügend Iterationen bleiben, um zur finalen Konvergenz zu kommen und die vielversprechendsten Punkte nochmals abzusuchen.
Nun wird 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 mit ihren jeweiligen Auslegungs-Randbedingungen, Auslegungs-Zielgrößen und Auslegungs-Parametern sind in 2 exemplarisch dargestellt. Als Auslegungseinheiten sind in 2 die Einspritzdüse(n), die Triebwerksgeometrie, die Brennraumgeometrie, der Motorprozess und die Strahlausbreitung des eingespritzten Kraftstoffs dargestellt.
Die Auslegungseinheit Einspritzdüse weist als Auslegungs-Zielgrößen insbesondere 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 Einspritzdüse weist gemäß als Auslegungs-Randbedingungen insbesondere eine Druckstufe DS, einen erforderlichen Düsendurchfluss auf, siehe hierzu z.B. auch DE 10 2006 043 460 A1 .
Die Auslegungseinheit Einspritzdüse weist als Auslegungs-Parameter insbesondere einen Sitzwinkel a, einen Nadelspitzenwinkel a, einen Nadelhub h, einen Düsenlochdurchmesser DL, einen Sacklochdurchmesser DE, einen unteren Sitzdurchmesser DA, einen Sacklochwinkel ε, einen Spritzwinkel K, einen Abspritzpunkt hSP, eine Sacklochhöhe hS und eine Lochanzahl n auf, siehe hierzu z. B. auch 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 als Auslegungs-Randbedingungen insbesondere die Motordrehzahl n, eine Motorleistung PMot, eine Werkstoffspannung σ_max, eine Motorlänge IMot, ein Hub/Bohrungsverhältnis S/D und eine Zylinderzahl z auf.
Die Auslegungseinheit Triebwerksgeometrie weist als Auslegungs-Parameter insbesondere 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 ge als Auslegungs-Zielgrößen insbesondere eine maximale Strahleindringtiefe, ein minimales Muldenvolumen und eine minimale Brennraumoberfläche auf.
Die Auslegungseinheit Brennraumgeometrie als Auslegungs-Randbedingungen insbesondere 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 als Auslegungs-Parameter insbesondere einen Kolbenbodenwinkel a, einen Strahlöffnungswinkel Φ, den Spritzwinkel K, eine Drallzahl, die Lochanzahl nL, einen Muldenradius RM, eine Feuerstegbreite BFS und einen Abstand Kolben Kopf auf.
Die Auslegungseinheit Motorprozess weist als Auslegungs-Zielgrößen insbesondere einen minimalen spezifischen Verbrauch, eine maximal zulässige NOx-Emission (begrenzt) und eine maximal zulässige Temperatur nach der Turbine (begrenzt) auf.
Die Auslegungseinheit Motorprozess weist als Auslegungs-Randbedingungen insbesondere einen Turboladerwirkungsgrad pATL (Πv), ein Verbrennungsluftverhältnis AV, eine Ladelufttemperatur tL (LLK), einen NOx-Grenzwert und eine Temperatur vor der Turbine tVT auf.
Die Auslegungseinheit Motorprozess weist als Auslegungs-Parameter insbesondere 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 als Auslegungs-Zielgrößen insbesondere einen maximalen Strahlvolumenanteil, einen minimalen mittleren Tropfendurchmesser und eine maximale Strahllänge auf.
Die Auslegungseinheit Strahlausbreitung weist als Auslegungs-Randbedingungen insbesondere das Verdichtungsverhältnis ε, den Einspritzbeginn EB, den Ladedruck pL, die Ladelufttemperatur tL, die Motordrehzahl n, eine Kraftstoffspezifikation, den Kolbenbodenwinkel a, den Muldenradius RM, die Feuerstegbreite BFS, den Abstand Kolben-Kopf AKKmin und einen Muldendurchmesser DM auf.
Die Auslegungseinheit Strahlausbreitung weist als Auslegungs-Parameter insbesondere eine Spritzlochlänge IS, den Sacklochdruck pSack, eine Kraftstoffdichte rK, die Drallzahl, eine Spritzlochanzahl nS, einen Spritzlochdurchmesser DS, eine Kraftstofftemperatur TK, eine Luftdichte pL, 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 der 3 aufgelistet. Auslegungs-Parameter zum Beeinflussen der Auslegungs-Tiefgrößen der Brennkraftmaschine werden als die Gesamtheit der Auslegungs-Parameter aller Auslegungseinheiten definiert.
Ferner werden Schnittstellen zwischen den einzelnen Auslegungseinheiten ausgebildet, wobei die Schnittstellen durch Überschneidungen der Auslegungsdaten der einzelnen Auslegungseinheiten definiert sind. 2 zeigt die Schnittstellen als Verbindungslinien, die mit Enden auf die überschneidenden Auslegungsdaten zeigen
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 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.
Bei der jeweiligen Nutzung des PSO-Algorithmus wird im Sinne der Erfindung für die oder jede Auslegungseinheit einzeln und im Falle von mehreren Auslegungseinheiten für alle Auslegungseinheiten zusammen jeweils eine mittlere Schwarmgeschwindigkeit über alle jeweiligen Partikel und alle jeweiligen Auslegungs-Parameter bestimmt. Dann, wenn die mittlere Schwarmgeschwindigkeit kleiner als ein definierter Grenzwert wird und wenn weiterhin die Anzahl der ausgeführten Iterationen des Particle-Swarm-Optimization-Algorithmus kleiner als ein definierter Grenzwert ist, wird der Particle-Swarm-Optimization-Algorithmus neu initialisiert.
Eine beispielhafte Zielfunktion für die Auslegungseinheit Einspritzdüse kann wie folgt definiert sein: $Fitness = G_{1} \cdot {VSack}_{N} - G_{2} \cdot {pSack}_{N} + G_{3} \cdot {ADL}_{N} + G_{4} \cdot σ_{N} + G_{5} \cdot h_{N}$
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 Gi 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.
In Bezug auf den genutzten PSO-Algorithmus ist zu bemerken, dass dieser 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.
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 102010003698 A1 [0002]
DE 102015002733 A1 [0002]
DE 102010003712 A1 [0003]
DE 102014213866 A1 [0004]
DE 102010003725 A1 [0005]
DE 102006043460 A1 [0006, 0095, 0096, 0097]

Zitierte Nicht-Patentliteratur

J. Kennedy, R. Eberhart: Particle Swarm Optimization. Proc. IEEE Int. Conf. on Neural Networks, 1995, Seiten 1942 bis 1948 [0006]
Dokument IEEE Neural Networks Society, Februar 2004, Seiten 8-13, Artikel ”Particle Swarm Optimization, Yuhui Shi beschriebenen PSO-Algorithmus ggf. [0120]
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. [0120]

Claims

Verfahren zum Auslegen einer Brennkraftmaschine eines Systems aus mehreren Brennkraftmaschinen, aufweisend zumindest folgende Schritte: Definieren mindestens einer Auslegungs-Randbedingung für die Brennkraftmaschine oder das System aus mehreren Brennkraftmaschinen, Definieren mindestens einer Auslegungs-Zielgröße für die Brennkraftmaschine oder das System aus mehreren Brennkraftmaschinen, Definieren mindestens einer bestimmten Baugruppe und/oder mindestens eines bestimmten funktionsbedingten Betriebsprozesses der Brennkraftmaschine oder des Systems aus mehreren Brennkraftmaschinen, wobei jede Baugruppe und/oder jeder Betriebsprozesse eine Auslegungseinheit bildet, Definieren von mindestens einer jeweiligen Auslegungs-Randbedingung für die oder jede Auslegungseinheit, Definieren von mindestens einer jeweiligen Auslegungs-Zielgröße für die oder jede Auslegungseinheiten sowie daraus Definieren von den die oder jede Auslegungs-Zielgröße beeinflussenden jeweiligen Auslegungs-Parametern, wobei die oder jede Auslegungs-Randbedingung, die oder jede Auslegungs-Zielgröße und die Auslegungs-Parameter der jeweiligen Auslegungseinheit Auslegungsdaten für diese Auslegungseinheit bilden, im Falle von mehreren Auslegungseinheiten Ausbilden von durch Überschneidungen der Auslegungsdaten der einzelnen Auslegungseinheiten definierten Schnittstellen zwischen den mehreren Auslegungseinheiten, und für die oder jede Auslegungseinheit einzeln und im Falle von mehreren Auslegungseinheiten für alle Auslegungseinheiten zusammen mittels einem Particle-Swarm-Optimization-Algorithmus auf die oder jede Auslegungs-Zielgröße ausgerichtet und unter Einhaltung der oder jeder Auslegungs-Randbedingung Optimieren der Auslegungs-Parameter mittels des Particle-Swarm-Optimization-Algorithmus, so dass die oder jede Auslegungs-Zielgröße der Brennkraftmaschine oder des Systems aus mehreren Brennkraftmaschinen optimal erreicht wird, dadurch gekennzeichnet, dass bei Ausführung des Particle-Swarm-Optimization-Algorithmus für die oder jede Auslegungseinheit einzeln und im Falle von mehreren Auslegungseinheiten für alle Auslegungseinheiten zusammen jeweils eine mittlere Schwarmgeschwindigkeit über alle jeweiligen Partikel und alle jeweiligen Auslegungs-Parameter bestimmt wird, wobei dann, wenn die mittlere Schwarmgeschwindigkeit kleiner als ein definierter Grenzwert wird und wenn weiterhin die Anzahl der ausgeführten Iterationen kleiner als ein definierter Grenzwert ist, der Particle-Swarm-Optimization-Algorithmus neu initialisiert wird.
Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, dass dann, wenn der Particle-Swarm-Optimization-Algorithmus neu initialisiert wird, für alle Partikel bisher gefundene Optima gelöscht jedoch diese bisher gefundenen Optima zwischengespeichert werden.
Verfahren gemäß Anspruch 1 oder 2, dadurch gekennzeichnet, dass nach dem Neuinitialisieren des Particle-Swarm-Optimization-Algorithmus fortlaufend überprüft wird, ob neu gefundene Optima bessere Optimierungen darstellen als die bisher gefundenen, zwischengespeicherten Optima, wobei dann, wenn dies der Fall ist, die bisher gefundenen, zwischengespeicherten Optima durch die neu gefundenen Optima ersetzt werden, wohingegen dann, wenn dies nicht der Fall ist, die bisher gefundenen, zwischengespeicherten Optima erhalten bleiben.
Verfahren gemäß einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass auch nach dem Neuinitialisieren des Particle-Swarm-Optimization-Algorithmus die mittlere Schwarmgeschwindigkeit über alle Partikel und alle Auslegungs-Parameter bestimmt wird, wobei dann die mittlere Schwarmgeschwindigkeit kleiner als ein definierter Grenzwert wird und wenn weiterhin die Anzahl der ausgeführten Iterationen kleiner als der definierte Grenzwert ist, der Particle-Swarm-Optimization-Algorithmus abermals neu initialisiert wird.
Verfahren gemäß einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass dann ,wenn die Anzahl der ausgeführten Iterationen größer als der definierte Grenzwert ist, die bisher gefunden Optima ausgelesen und den Partikeln zur Verfügung gestellt werden.
Verfahren gemäß einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass bei der mittleren Schwarmgeschwindigkeit über alle Partikel und alle Auslegungs-Parameter für jeden Auslegungs-Parameter normierte Geschwindigkeiten verwendet werden.
Verfahren gemäß einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass dann, wenn im Particle-Swarm-Optimization-Algorithmus die Geschwindigkeiten mit einem Trägheitsfaktor oder einem Constriction Coefficient gewichtet werden, bei der Bestimmung der mittleren Schwarmgeschwindigkeit der Trägheitsfaktor oder der Constriction Coefficient unberücksichtigt bleiben.
Verfahren gemäß einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass die mittlere Schwarmgeschwindigkeit v_average wie folgt ermittelt wird, $v_{a v e r a g e} = \frac{\sum_{t = 1}^{I} \sqrt{(\sum_{d = 1}^{D} v_{t d G^{2}})}}{I}$
wobei I die Anzahl der Partikel ist, wobei D die Anzahl der Auslegungs-Parameter ist, und wobei v_idG die Patikelgeschwindigkeit des Partkels i für den Auslegungs-Parameter d ist.