DE102022210270A1

DE102022210270A1 - Verfahren und Vorrichtung zum Ermitteln einer mechanischen Anregung einer Komponente einer mechanischen Vorrichtung

Info

Publication number: DE102022210270A1
Application number: DE102022210270.3A
Authority: DE
Inventors: Marcus Biehler; Hannes Muench; Robertus Opdam; Thomas Wagner; Jan Herrmann; Michael Benk; Stefanos Kapetanidis
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-09-28
Filing date: 2022-09-28
Publication date: 2024-03-28
Also published as: CN117782297A

Abstract

Die vorliegende Erfindung betrifft ein Verfahren (100) zum Ermitteln einer mechanischen Anregung einer Komponente einer mechanischen Vorrichtung, welche über ein Lager mit einer anregenden Quelle der mechanischen Vorrichtung gekoppelt ist, umfassend ein Definieren (102) einer anregenden Bewegung, welche von der anregenden Quelle auf einer ersten Seite des Lagers verursacht wird, ein Ermitteln (103) einer durch die anregende Bewegung verursachten und von dem Lager ausgehenden Anregung auf einer zweiten Seite des Lagers, die mit der Komponente gekoppelt ist, wobei die von dem Lager ausgehende Anregung mittels eines künstlichen Systems ermittelt wird, das durch maschinelles Lernen trainiert wurde, wobei das maschinelle Lernen basierend auf Messwerten erfolgt ist, die an zumindest einem real existierenden Lager erfasst wurden, und ein Ermitteln (104) der mechanischen Anregung der Komponente, die durch die von dem Lager ausgehende Anregung verursacht wird.

Description

Stand der Technik
Die vorliegende Erfindung betrifft ein Verfahren zum Ermitteln einer mechanischen Anregung einer Komponente einer mechanischen Vorrichtung.
Elastische Lager sind eine entscheidende Fügestelle im Hinblick auf die Geräuschübertragung eingebauter akustischer Quellen in mechanischen Vorrichtungen. Um eine Geräuschübertragung im Gesamtsystem zu analysieren, wird typischerweise eine Transferpfadanalyse (TPA) durchgeführt. Die dynamische Charakterisierung der Lager erfordert hierbei besondere Sorgfalt.
Um dies zu erreichen, wird bislang typischerweise eine aufwendige dynamische Lagercharakterisierung über einen eigenen Prüfstand durchgeführt. Die Schwierigkeit liegt darin, die entsprechenden Randbedingungen für eine saubere Lagercharakterisierung, z.B. freie Aufhängung oder alternativ starre Einspannung, im Frequenzbereich von Interesse (kHz-Bereich) sowie unter Vorlast umzusetzen. Eine weitere Schwierigkeit ist der Umgang mit Temperatur- und Alterungseinflüssen. Entsprechend hoch sind die Unsicherheiten im Zusammenhang mit der Lagercharakterisierung.
Offenbarung der Erfindung
Das erfindungsgemäße Verfahren zum Ermitteln einer mechanischen Anregung einer Komponente einer mechanischen Vorrichtung, welche über ein Lager mit einer anregenden Quelle der mechanischen Vorrichtung gekoppelt ist, umfasst ein Definieren einer anregenden Bewegung, welche von der anregenden Quelle auf einer ersten Seite des Lagers verursacht wird, ein Ermitteln einer durch die anregende Bewegung verursachten von dem Lager ausgehenden Anregung auf einer zweiten Seite des Lagers, die mit der Komponente gekoppelt ist, wobei die von dem Lager ausgehende Anregung mittels eines künstlichen Systems ermittelt wird, dass durch maschinelles Lernen trainiert wurde, wobei das maschinelle Lernen basierend auf Messwerten erfolgt ist, die an zumindest einem real existierenden Lager erfasst wurden, und ein Ermitteln der mechanischen Anregung der Komponente, welche durch die von dem Lager ausgehende Anregung verursacht wird.
Die erfindungsgemäße Vorrichtung zum Ermitteln einer mechanischen Anregung einer Komponente einer mechanischen Vorrichtung, welche über ein Lager mit einer anregenden Quelle der mechanischen Vorrichtung gekoppelt ist, umfasst eine Recheneinheit, welche dazu eingerichtet ist, eine anregende Bewegung zu definieren, welche von der anregenden Quelle auf einer ersten Seite des Lagers verursacht wird, eine durch die anregende Bewegung verursachte und von dem Lager ausgehenden Anregung auf einer zweiten Seite des Lagers zu ermitteln, die mit der Komponente gekoppelt ist, wobei die von dem Lager ausgehende Anregung mittels eines künstlichen Systems ermittelt wird, das durch maschinelles Lernen trainiert wurde, wobei das maschinelle Lernen basierend auf Messwerten erfolgt ist, die an zumindest einem real existierenden Lager erfasst wurden, und die mechanischen Anregung der Komponente zu ermitteln, welche durch die von dem Lager ausgehende Anregung verursacht wird.
Es wird somit eine mechanische Komponente ermittelt, die Teil einer mechanischen Vorrichtung ist. Dabei ist die Komponente über ein Lager mit einer anregenden Quelle gekoppelt. Die anregende Quelle ist somit ein Verursacher der mechanischen Anregung. Die anregende Quelle ist bevorzugt eine Schwingungsquelle. Grundsätzlich kann jedoch jegliche Art von Anregung der mechanischen Vorrichtung durch die anregende Quelle erfolgen, auch solche, die nicht als Schwingung durch Frequenz und Amplitude beschrieben werden können. Die von der anregenden Quelle ausgehende anregende Bewegung ist bevorzugt eine anregende Schwingung oder umfasst eine anregende Schwingung. Die von der anregenden Quelle ausgehende anregende Bewegung wird durch das Lager an die Komponente übertragen.
Die anregende Quelle ist mit einer ersten Seite des Lagers gekoppelt. Die Komponente ist mit der zweiten Seite des Lagers gekoppelt. Die erste Seite des Lagers und die zweite Seite des Lagers sind bevorzugt unterschiedliche Befestigungspunkte des Lagers.
Um die mechanische Anregung der Komponente zu ermitteln, ist es notwendig, die von dem Lager ausgehende Anregung zu ermitteln, durch welche die Komponente angeregt wird. Da der Einfluss des Lagers auf die Übertragung einer anregenden Bewegung abhängig von einer Vielzahl von Parametern ist, wird die von dem Lager ausgehende Anregung mittels des künstlichen Systems ermittelt, wobei das künstliche System bevorzugt ein sog. Kl-System ist, also ein System, welche auf einer künstlichen Intelligenz basiert. Dem künstlichen System werden Informationen über die anregende Bewegung bereitgestellt. Basierend auf diesen Informationen berechnet das künstliche System die auf der zweiten Seite des Lagers ausgehende Anregung, die an der Komponente anliegt.
Um den Zusammenhang zwischen der anregenden Bewegung und der von dem Lager ausgehenden Anregung zu ermitteln, wurde das künstliche System basierend auf Messwerten trainiert, die an zumindest einem real existierenden Lager erfasst wurde. Die Messwerte können dabei unterschiedlicher Natur sein, um das Verhalten des Lagers möglichst genau abzubilden. Im Rahmen des maschinellen Lernens ist es nicht zwingend notwendig, dass das Lager mit allen möglichen anregenden Bewegungen beaufschlagt wird. Das künstliche System ist dazu in der Lage, auch solche Übertragungseigenschaften des Lagers zu ermitteln, die nicht unmittelbar erfasst wurden. Dies ist u.a. auch daher vorteilhaft, da die Vielzahl von Parametern, welche einen Einfluss auf die Übertragungscharakteristik des Lagers Einfluss nehmen, kaum in allen Kombinationen messtechnisch erfasst werden kann. Durch die Nutzung des künstlichen Systems, welches durch maschinelles Lernen trainiert wurde, ist es hinreichend, wenn das künstliche System auf verfügbaren Messwerten trainiert wird.
Durch das künstliche System wird ermittelt, in welcher Weise die Komponente zu einer Bewegung angeregt wird.
Bevorzugt wird für das Verfahren ein Modell der mechanischen Vorrichtung bereitgestellt, in welchem definiert ist, wie die Komponente, das Lager und die anregende Schwingungsquelle zueinander angeordnet sind und miteinander gekoppelt sind. Basierend auf einem solchen Modell können weitere Eingangsparameter ermittelt werden, beispielsweise eine vorliegende Verspannung des Lagers errechnet werden. Diese Informationen können bevorzugt auch dem künstlichen System bereitgestellt werden, wenn dieses für die entsprechenden Eingangsparameter trainiert wurde.
Es erfolgt somit eine Lagercharakterisierung über ein trainiertes Machine-Learning-Modell. Das trainierte Machine-Learning-Modell ist dabei das künstliche System. Dadurch wird erreicht, dass kein zusätzlicher spezieller Prüfstand für die Lagercharakterisierung mit all ihren Unsicherheiten nötig ist. Die für das maschinelle Lernen benötigten Messwerte können oftmals aus oftmals ohnehin bestehenden In-Situ-Prüfaufbauten nach ISO 20270 entnommen werden.
Die erfindungsgemäße Vorrichtung ist bevorzugt dazu eingerichtet, das erfindungsgemäße Verfahren auszuführen.
Die Unteransprüche zeigen bevorzugte Weiterbildungen der Erfindung.
Bevorzugt ist die anregende Bewegung auf der ersten Seite des Lagers, die ausgehende Anregung auf der zweiten Seite des Lagers und die mechanische Anregung der Komponente durch jeweils eine Schwingungseigenschaft definiert. Somit ist die anregende Bewegung auf der ersten Seite des Lagers, die ausgehenden Anregung auf der zweiten Seite des Lagers und die mechanische Anregung der Komponente bevorzugt jeweils eine Schwingung. So ist die von der anregenden Quelle ausgehende anregende Bewegung auf der ersten Seite des Lagers bevorzugt eine anregende Schwingung, die ausgehende Anregung auf der zweiten Seite des Lagers eine ausgehende Schwingung und die mechanische Anregung der Komponente eine Komponentenschwingung. Eine Schwingung kann dabei unterschiedliche Frequenzbereiche und unterschiedliche Frequenzverläufe aufweisen. Da gerade Schwingungen einen großen Einfluss auf relevante Eigenschaften der Komponente haben können, beispielsweise durch Resonanzeffekte, ist eine Betrachtung von Schwingungen besonders vorteilhaft. Das maschinelle Lernen erfolgt bevorzugt durch ein Anlegen unterschiedlicher Schwingungen an das Lager und ein Messen der resultierenden ausgehenden Schwingungen.
Bevorzugt wird durch das künstliche System eine Übertragungsfunktion bereitgestellt, die ein Filterverhalten des Lagers zwischen der ersten Seite des Lagers und der zweiten Seite des Lagers beschreibt. Das Filterverhalten bzw. die Übertragungsfunktion kann sich damit dabei mit einem Zustand des Gesamtsystems verändern. So ist die Übertragungsfunktion beispielsweise abhängig von einer vorliegenden Verspannung des Lagers, welche beispielsweise basierend auf dem Modell der mechanischen Vorrichtung ermittelt wird. Dadurch, dass durch das künstliche System eine Übertragungsfunktion bereitgestellt wird, wird es ebenfalls ermöglicht, dass dieses in ein bekanntes Tool zur Ermittlung von Schwingungen, insbesondere ein TPA-Tool, integriert wird.
Auch ist es vorteilhaft, wenn bei dem Ermitteln der mechanischen Anregung der Komponente die von dem Lager ausgehende Anregung mit einer Übertragungsfunktion beaufschlagt wird, welche eine Übertragungscharakteristik der Komponente beschreibt. Auf diese Weise kann ein Übertragungspfad modelliert werden, an dessen Anfang die anregende Bewegung steht und dessen Ausgangswert die mechanische Anregung der Komponente, wobei auch ein Übertragungseigenschaften der Komponente selbst betrachtet werden können.
Weiter bevorzugt wird aus der der mechanischen Anregung der Komponente eine resultierende akustische Schwingung ermittelt. So wird die mechanische Anregung der Komponente beispielsweise als Eingangswert für ein akustisches Verfahren genutzt, durch welches beispielsweise akustische Übertragungswege simuliert werden. Auf diese Weise kann durch das Verfahren ermittelt werden, wie eine von der anregenden Quelle ausgehende anregende Bewegung von einem Anwender akustisch wahrgenommen wird.
Bevorzugt umfassen die Messwerte, basierend auf denen das maschinelle Lernen erfolgt ist, blockierende Kräfte, Beschleunigungswerte, Geschwindigkeitsdaten und/oder Übertragungsfunktionen. Die Messwerte werden dabei bevorzugt durch Sensoren erfasst, die an dem real existierenden Lager angebracht sind, während dieses mit unterschiedlichen anregenden Bewegungen beaufschlagt wird.
Bevorzugt ist die mechanische Vorrichtung ein Fahrzeug oder eine Wärmepumpe, wobei die anregende Quelle insbesondere ein Motor des Fahrzeugs oder der Wärmepumpe ist. Gerade in diesen Bereichen ist es für einen Anwender relevant, welche Bewegungen oder resultierenden akustischen Schwingungen durch einen Anwender wahrgenommen werden. Ungewünschte Bewegungen oder Schwingungen können durch das erfindungsgemäße Verfahren identifiziert und im Folgenden auch minimiert werden.
Bevorzugt umfasst das Verfahren ferner das Erfassen der Messwerte, welche für das maschinelle Lernen genutzt werden. Bevorzugt erfolgt somit auch ein Erfassen der Messwerte an zumindest einem real existierenden Lager und ein Ausführen des maschinellen Lernens basierend auf den Messwerten. Das Erfassen der Messwerte und das Ausführen des maschinellen Lernens müssen dabei bevorzugt nur einmalig erfolgen. Im Folgenden können Komponentenschwingung für unterschiedliche Komponenten und unterschiedliche anregende Schwingungsquellen ermittelt werden. Das Erfassen der Messwerte erfolgt bevorzugt an einem oder mehreren real existierenden Lagern. Dabei werden bevorzugt baugleiche oder ähnliche Lager für das Generieren der Messwerte benutzt. Das Lager, welches zum Erfassen der Messwerte genutzt wird, ist nicht zwingend baugleich zu dem Lager, welches bei dem Ermitteln der mechanischen Anregung der Komponente im Model betrachtet wird. So weisen ähnliche Lager oftmals auch ähnliche Übertragungscharakteristiken auf, die durch das künstliche System wiedergegeben werden.
Bevorzugt wurden die Messwerte, basierend auf denen das maschinelle Lernen erfolgt ist, an dem in einer mechanischen Vorrichtung verbauten real existierenden Lager erfasst oder an dem in einem Prüfstand angeordneten real existierenden Lager erfasst. Dadurch können besonders realistische Messwerte erfasst werden, welche ein tatsächliches Verhalten des Lagers wiederspiegeln. Wirklichkeitsnahe Messwerte führen auch zu einer wirklichkeitsnahen Wiedergabe des Lagers durch das künstliche System.
Bevorzugt erfolgt im Rahmen des Verfahrens ein Ermitteln von mechanischen Anregungen der Komponente, wobei die Komponente in unterschiedlicher Weise modifiziert wird und unterschiedliche der jeweils vorliegenden Bauart zugehörige mechanische Anregungen der Komponente ermittelt werden. Aus den unterschiedlichen mechanischen Anregungen der Komponente wird eine solche Bauart der Komponente ausgewählt, die zu einer minimalen mechanischen Anregung der Komponente bzw. zu einer minimalen resultierenden akustischen Schwingung führt. Eine solche Realisierung der Komponente wird bevorzugt für eine Realisierung der mechanischen Vorrichtung verwendet.
Kurze Beschreibung der Zeichnungen
Nachfolgend werden Ausführungsbeispiele der Erfindung unter Bezugnahme auf die begleitende Zeichnung im Detail beschrieben. In der Zeichnung ist:

1 ein Ablaufdiagramm eines Verfahrens zum Ermitteln einer mechanischen Anregung einer Komponente in einer mechanischen Vorrichtung, und
2 eine schematische Darstellung einer Vorrichtung zum Ermitteln einer mechanischen Anregung einer Komponente in einer mechanischen Vorrichtung.

Ausführungsformen der Erfindung
1 zeigt ein Ablaufdiagramm eines Verfahrens 100 zum Ermitteln einer mechanischen Anregung einer Komponente 3 einer mechanischen Vorrichtung. Die Komponente 3 ist dabei über ein Lager 2 mit einer anregenden Quelle 1 gekoppelt.
Die Komponente 3, das Lager 2 und die anregende Quelle 1 sind Teile der mechanischen Vorrichtung. So ist die mechanische Vorrichtung beispielsweise ein Fahrzeug, wobei die Komponente 3 eine Fahrzeugkarosserie, die anregende Quelle 1 ein Motor des Fahrzeugs und das Lager 2 eine Lagerung des Motors an der Fahrzeugkarosserie. In einem weiteren Beispiel ist die mechanische Vorrichtung eine Wärmepumpe, wobei die anregende Quelle ein Motor eines Kompressors der Wärmepumpe ist und die Komponente 3 ein Gehäuse der Wärmepumpe ist, welches über das Lager 2 mit der anregenden Quelle 1 gekoppelt ist.
Das Lager 2 ist auf einer ersten Seite mit der anregenden Quelle 1 gekoppelt und auf einer zweiten Seite mit der Komponente 3 gekoppelt.
Für das Verfahren muss die mechanische Vorrichtung nicht als reale Vorrichtung zur Verfügung stehen. Es müssen lediglich gewisse Eigenschaften bekannt sein, die für das Verfahren bereitgestellt werden. Dadurch kann die mechanische Anregung der Komponente bereits in einer Design-Phase ermittelt werden.
Im Rahmen des Verfahrens 100 soll eine mechanische Anregung der Komponente 3 ermittelt werden, aus welcher bevorzugt auf eine resultierende akustische Schwingung geschlossen wird, die von der Komponente 3 bei einem Betrieb der anregende Quelle 1 ausgeht.
In der hier beschriebenen Ausführungsform werden insbesondere auch Schwingungen betrachtet. Es wird daher die anregende Bewegung auf der ersten Seite des Lagers 2, die ausgehenden Anregung auf einer zweiten Seite des Lagers 2 und die mechanische Anregung der Komponente 3 durch jeweils eine Schwingungseigenschaft definiert, wenn diese im Rahmen des Verfahrens genutzt werden. Es wird jedoch darauf hingewiesen, dass das Verfahren nicht auf Schwingungen beschränkt ist, sondern jede Form von Bewegungen als anregende Bewegung betrachtet werden kann, wobei die Bewegungen beispielsweise durch einzelne Werte von Beschleunigungen oder Geschwindigkeiten beschrieben werden. Auch Kräfte, welche auf das Lager ausgeübt werden können eine anregende Bewegung definieren.
Um die mechanische Anregung der Komponente 3 möglichst präzise zu ermitteln, wird das Verhalten des Lagers 2 durch ein künstliches System 23 ermittelt, welches durch maschinelles Lernen trainiert wurde. Dazu umfasst das Verfahren 100 einen ersten Verfahrensschritt 101, welcher auch als ein Trainingsschritt angesehen werden kann. In dem ersten Verfahrensschritt 101 erfolgt ein Trainieren des künstlichen Systems 23 durch maschinelles Lernen. Das maschinelle Lernen erfolgt dabei basierend auf Messwerten, die als Trainingsparameter bereitgestellt werden. Die Messwerte werden an einem real existierenden Lager erfasst, welches repräsentativ für das Lager 2 der mechanischen Vorrichtung ist.
Die Messwerte umfassen Informationen, welche eine Übertragungscharakteristik des Lagers 2 für einzelne Zustände beschreiben. Dabei werden jeweils Messewerte auf der ersten Seite des Lagers und zugehörige Messwerte auf der zweiten Seite des Lagers 2 erfasst. Bevorzugt werden durch die Messwerte blockierende Kräfte, Beschleunigungswerte, Geschwindigkeitsdaten und/oder Übertragungsfunktionen des Lagers 2 erfasst. Diese werden für das maschinelle Lernen bereitgestellt. Die blockierenden Kräfte werden im englischen auch als „blocked forces“ bezeichnet. Durch die Beschleunigungswerte werden Beschleunigungen beschrieben, die an dem real existierenden Lager auftreten. Durch die Geschwindigkeitsdaten wird eine an dem real existierenden Lager auftrete Bewegungsgeschwindigkeit beschrieben, mit der sich zumindest ein Anteil des real existierenden Lagers bewegt. Durch die Übertragungsfunktionen werden einzelne Übertragungseigenschaften, beispielsweise für bestimmte Frequenzbereiche, des Lagers beschrieben.
Werden die beispielhaft genannten Schwingungen betrachtet, so wird durch die Messwerte ein Verhältnis von Schwingungen beschrieben, die auf einer ersten Seite des real existierenden Lagers und auf einer zweiten Seite des real existierenden Lagers erfasst wurden. So umfassen die Messwerte beispielsweise mehrere Eingangsschwingungen, die durch ihre Amplitude und Frequenz beschrieben sind, und jeweils zugehörige Ausgangsschwingungen, die ebenfalls durch ihre Amplitude und Frequenz beschrieben werden.
Das real existierende Lager ist dabei bevorzugt in einer beispielhaften mechanischen Vorrichtung verbaut oder in einem Prüfstand angeordnet. So können die Messwerte beispielsweise aus einem Prüfungsaufbau nach ISO 20270 abgegriffen werden.
Die Messwerte werden insbesondere durch einen jeweils zugehörigen Sensor oder eine entsprechende Sensoranordnung gemessen. Die in dem Trainingsschritt 101 erfassten Messwerte werden einem Algorithmus für maschinelles Lernen bereitgestellt, durch welchen das künstliche System 23 trainiert wird. Das künstliche System 23 ist ein sog. KI-System, also ein System, welches basierend auf einer künstlichen Intelligenz arbeitet. Das künstliche System 23 wird somit basierend auf Messwerten trainiert, die an dem real existierenden Lager erfasst bzw. gemessen wurden.
Es ergibt sich, dass durch die Messwerte nicht jeder mögliche Zustand oder Zustandsverlauf des real existierenden Lagers erfasst werden kann. Abhängig von der Definition der anregenden Quelle und der davon ausgehenden anregenden Bewegung, die sich beispielsweise aus einer Simulation der anregenden Quelle resultiert, ist das real existierende Lager möglicherweise nicht in gleicher Weise angeregt worden und es sind somit keine Messwerte verfügbar, die ein zugehöriges Verhalten des Lagers 2 beschreiben. Es wird jedoch durch das künstliche System 23 ermöglicht, dass auch für solche Zustände eine zugehörige von dem Lager 2 ausgehende Anregung ermittelt werden kann. Die von dem Lager 2 ausgehende Anregung wird durch die Kl errechnet, die basierend auf den Messdaten trainiert wurde.
Es wird darauf hingewiesen, dass eine Verifizierung einer Korrektheit der durch das künstliche System berechneten von dem Lager 2 ausgehende Anregung vorteilhaft ist. Es ist daher im Rahmen des Trainingsschritts 101 vorteilhaft, wenn eine von dem Lager 2 ausgehende Anregung durch das künstliche System 23 berechnet wird, die aus einer anregenden Bewegung resultiert, die nicht in den Messwerten beschrieben ist, die für das maschinelle Lernen genutzt wurden. Die so durch das künstliche System 23 ermittelte von dem Lager 2 ausgehende Anregung kann mit realen Messwerten verglichen werden, die sich für die entsprechende anregende Bewegung an dem real existierenden Lager ergeben. Das bedeutet, es ist vorteilhaft, das künstliche System durch Testwerte zu prüfen.
Mit anderen Worten bedeutet dies, dass das real existierende Lager beispielsweise auf der ersten Seite mit einer ersten Schwingung angeregt wird und auf der zweiten Seite eine zweite Schwingung abgibt. Wird die erste Schwingung als Eingangswert an das künstliche System 23 übergeben, so wird basierend auf dieser eine dritte Schwingung ermittelt, welche die voraussichtliche ausgehende Schwingung des Lagers 2 ist. Um den Realismus des künstlichen Systems zu prüfen, wird die zweite Schwingung mit der dritten Schwingung verglichen. Diese beiden Schwingungen sollten im Wesentlichen gleiche Eigenschaften aufweisen.
Der erste Verfahrensschritt 101, also der Trainingsschritt, kann bereits ausgeführt werden, bevor definiert ist, welche Komponente 3 in Kombination mit welcher anregenden Schwingungsquelle 1 in einer mechanischen Vorrichtung analysiert werden soll. Ein Start einer Analyse zum Ermitteln der mechanischen Anregung der Komponente 3 in der mechanischen Vorrichtung kann zu einem beliebigen späteren Zeitpunkt in einem Beginn eines Analyseverfahrens 105 angestoßen werden.
Wird die Analyse angestoßen, so erfolgt zuerst in einem zweiten Verfahrensschritt 102 ein Definieren der anregenden Bewegung, welche von der mechanischen Quelle 1 auf der ersten Seite des Lagers 2 verursacht wird. Es wird somit definiert, welche anregende Bewegung in das Lager 2 eingekoppelt wird. Damit werden die Schwingungseigenschaften der anregenden Schwindungsquelle 1 definiert. Die anregende Schwingung kann entweder durch Messungen an einer real existierenden Schwingungsquelle erfasst werden und für das Verfahren bereitgestellt werden oder kann in anderer Weise definiert werden, beispielsweise mittels eines Rechenmodells generiert werden, welches die anregende Quelle beschreibt.
In einem dritten Verfahrensschritt 103 erfolgt das Ermitteln der durch die anregende Bewegung verursachten ausgehenden Anregung auf der zweiten Seite des Lagers 2. Es wird somit beispielsweise eine von dem Lager 2 ausgehende Schwingung auf der zweiten Seite des Lagers 2 ermittelt, die durch die anregende Schwingung auf der ersten Seite des Lagers 2 verursacht wird. Dazu wird die in dem zweiten Verfahrensschritt 102 definierte anregende Bewegung dem künstlichen System 23 als Eingangswert bereitgestellt.
Optional werden dem künstlichen System 23 beliebige weitere Werte bereitgestellt, welche die mechanische Vorrichtung beschreiben oder deren Zustand definieren. Das künstliche System 23 wurde dabei bevorzugt auch auf solchen Messwerten trainiert, die als weitere Werte in das künstliche System 23 übergeben werden. Basierend auf diesen Eingangswerten und auf den durch das maschinelle Lernen trainierte Verhalten wird durch das künstliche System 23 eine Übertragungsfunktion ausgegeben, die das Filterverhalten des Lagers 2 beschreibt. Das Filterverhalten des Lagers 2 beschreibt dabei ein Übertragungsverhalten für die anregende Bewegung zwischen der ersten Seite des Lagers 2 und der zweiten Seite des Lagers 2.
Die anregende Bewegung auf der ersten Seite des Lagers 2 wird mit der bereitgestellten Übertragungsfunktion beaufschlagt und im Ergebnis wird die ausgehende anregende Bewegung auf der zweiten Seite des Lagers 2 bezogen.
In einem vierten Verfahrensschritt 104 erfolgt das Ermitteln der gesuchten mechanischen Anregung der Komponente 3, welche von der von dem Lager 2 ausgehenden Anregung verursacht wird. Dazu wird eine Übertragungscharakteristik der Komponente 3 ermittelt, welche rechnerisch basierend auf einem die Komponente 3 beschreibenden Rechenmodell ermittelt wird.
Die von dem Lager 2 ausgehende Anregung wird mit der Übertragungsfunktion der Komponente 3 beaufschlagt und damit die mechanische Anregung der Komponente 3 ermittelt. Wird bei dem Ermitteln der mechanischen Anregung der Komponente 3 ein akustisches Verhalten untersucht, so wird optional aus der mechanischen Anregung eine resultierende akustische Schwingung ermittelt.
2 zeigt einen schematischen Aufbau einer Vorrichtung 10 zum Ermitteln der mechanischen Anregung der Komponente 3. Durch die Vorrichtung 10 wird das in 1 dargestellte Verfahren 100 ausgeführt.
Die Vorrichtung 10 ist im Wesentlichen eine Recheneinheit, durch welche unterschiedliche Berechnungsmodule 11 bis 14 bereitgestellt werden, welche ein erstes Berechnungsmodul 11, ein zweites Berechnungsmodul 12, ein drittes Berechnungsmodul 13 und ein viertes Berechnungsmodul 14 umfassen.
In dem ersten Berechnungsmodul 11 wird ein Verhalten der anregenden Quelle 1 errechnet und für das zweite Berechnungsmodule 12 bereitgestellt.
Das zweite Berechnungsmodul 12 umfasst das künstliche System 23, welches in 2 ebenfalls schematisch dargestellt ist. Auf einer Eingangsseite wird die anregende Bewegung als Eingangswert 21 bereitgestellt. Dies ist der Wert, welcher auch von dem ersten Berechnungsmodul 11 bereitgestellt wird. Durch das künstliche System 23 wird eine Übertragungsfunktion A_H ermittelt und die von dem Lager 2 ausgehende Anregung als Ausgangswert 22 für das dritte Berechnungsmodul 13 bereitgestellt. Durch das zweite Berechnungsmodul 12 wird somit ein Verhalten des Lagers 2 simuliert.
In dem dritten Berechnungsmodul 13 wird die mechanische Anregung der Komponente 3 ermittelt, indem die von dem künstlichen System 23 bereitgestellte von dem Lager 2 ausgehende Anregung mit einer der Komponente 3 zugehörigen Übertragungsfunktion A_F beaufschlagt wird. Die mechanische Anregung der Komponente 3 wird optional an das viertes Berechnungsmodul 14 übertragen, durch welches eine die resultierende akustische Schwingung ermittelt wird, die sich aus der mechanischen Anregung ergibt.
Aus dem modularen Aufbau des Gesamtsystems ist erkenntlich, dass das zweite Berechnungsmodul 12 die Eigenschaften des Lagers 2 mittels des künstlichen Systems 23 beschreibt. Es ist nunmehr möglich, die Eigenschaften der anregenden Quelle 1 durch Modifikationen der Einstellungen des ersten Berechnungsmodul 11 oder die Eigenschaften der Komponente 3 durch Modifikation der Eigenschaften des dritten Berechnungsmoduls 13 zu variieren. Durch das zweite Berechnungsmodul 12, also durch das künstliche System 23, wird eine jeweils passende Übertragungsfunktion des Lagers 2 bereitgestellt.
Es ist somit bevorzugt kein zusätzlicher, spezieller Prüfstand für die Lagercharakterisierung mit all ihren Unsicherheiten mehr nötig. Als Trainingsdaten für das dem künstlichen System 23 zugrundeliegende Machine Learning Modell können Messdaten eines ohnehin häufig bestehenden in situ Prüfaufbaus nach ISO 20270 verwendet werden. Dabei werden dynamische Größen wie Blocked Forces an definierten Kontakt-Interfaces (Kontakt-Schnittstellen) indirekt und unabhängig von der Empfangsstruktur ermittelt. Der Vorteil der InSitu-Methode ist, dass sich die Blocked Forces im eingebauten Zustand bestimmen lassen, was den Prüfaufbau erleichtert und zudem realistische Randbedingungen (z.B. Lagervorspannung) und Betriebsbedingungen ermöglicht.
Es werden die Kontakt-Interfaces vor und nach dem Lager 2 definiert, so dass an beiden Interfaces dynamische Größen wie Blocked Forces, Beschleunigungs- bzw. Geschwindigkeitsdaten oder Übertragungsfunktionen (Impedanz, Admittanz) vorliegen. Mit diesen Daten lässt sich das künstliche System 23 trainieren, ohne dass ein zusätzlicher Prüfaufbau für eine dynamische Lagercharakterisierung erforderlich ist. Das trainierte und validierte künstliche System 23 ist damit ein robustes Ersatzmodell für die dynamischen Eigenschaften des elastomerischen Lagers 2.
Alternativ zu der InSitu Blocked Force Methode nach ISO 20270 ist die Verwendung von Kraftsensoren für die direkte Bestimmung der Interface- bzw. Schnittstellenkräfte. Dies lässt sich unter realen Betriebsbedingungen häufig jedoch nicht umsetzen.
Je nach verwendetem Input / Output Szenario kann das künstliche System, durch welches ein Lagermodell des real existierenden Lagers geschaffen wird, mittels Substrukturtechnik oder Transfermatrixmethode weiterverarbeitet werden. Nach Umwandlung in ein gängiges Datenformat (z.B. ATFX) lässt sich das Lagermodell so auch in kommerzielle TPA-Tools integrieren.
Es ergibt sich somit zunächst ein geringerer Aufwand, da kein zusätzlicher, eigener Prüfstand für die Lagercharakterisierung benötigt wird. Zudem ist die Lagercharakterisierung über das beschriebene Verfahren deutlich robuster/realistischer, da eine Vielzahl an Trainingsdaten unter realen (in situ) Einbaubedingungen herangezogen werden kann. So erfolgt z.B. eine Berücksichtigung einer Vorspannung oder von Alterungseffekten sowie von Feldeinflüssen. Die Problematik der Umsetzung erforderlicher Randbedingungen bei der Lagercharakterisierung (starre Einspannung oder freie Aufhängung) wird umgangen. Dadurch wird eine Erweiterung der Frequenzbereich und eine genauere Geräuschvorhersage möglich.
So kann beispielsweise eine E-Machine über elastomerische Lager aufgehängt sein. Die Lagercharakteristik beeinflusst dabei eine Entkopplungs- und Dämpfungswirkung und damit eine Geräuschübertragung und -abstrahlung der mechanischen Vorrichtung. Dabei ist eine Messung der Lagercharakteristik aufgrund ihrer komplizierten, zum Teil ringförmigen Bauart nur sehr schwer möglich.
Es erfolgt bevorzugt eine Vorhersage der Geräuschübertragung über Komponenten-basierte TPA bzw. Substrukturtechnik: Dabei ist die e-Maschine eine dominante Quelle, die Lagerung ist ein Zwischenglied und der Rahmen der e-Achse ist ein Empfänger für Körperschall bzw. ein Mikrofon im Fahrzeuginnenraum ist ein Empfänger für Luftschall.
Die InSitu-Quellcharakterisierung von e-Maschinen nach ISO 20270 ist bereits verbreitet. Die Vermessung der Empfangsstruktur ebenfalls. Eine robuste Lagercharakterisierung ist daher das fehlende Puzzlestück für eine realistische Geräuschvorhersage und Geräuschoptimierung
Bei dem Anwendungsbeispiel einer Wärmepumpe ist ein Kompressor doppelt über elastomerische Lager gelagert. Die Lagercharakteristik beeinflusst Entkopplungs- und Dämpfungswirkung. Eine Messung der Lagercharakteristik ist aufgrund der kompakten Lagerbauart nur sehr schwer möglich. Eine Vorhersage der Geräuschübertragung erfolgt über Substrukturtechnik: Der Kompressor ist dabei die dominante Quelle, die Lagerung ein Zwischenglied, und ein Rahmen der Wärmepumpe ist ein Empfänger für Körperschall bzw. ein Mikrofon entfernt von der Wärmepumpe ist ein Empfänger für Luftschall.
Die Erfindung verbessert die Geräuschvorhersage aufgrund robusterer Modellierung der elastomerischen Lagerung.
Für beide Anwendungen gilt, dass durch die Erfindung kein zusätzlicher Prüfstand für die Lagercharakterisierung benötigt wird. Lediglich der Messumfang am ohnehin verbreiteten in situ Aufbau gemäß ISO 20270 ist für die Trainingsphase ggf. erhöht.
Bei beiden Anwendungen ist es zudem möglich, realistische Betriebsdaten und Randbedingungen heranzuziehen. Die Erfindung dient als Verbesserung / Erweiterung der bekannten TPA- und Substrukturtechnik-Methoden. Eine realistische Lagercharakterisierung ist nur über Messdaten sinnvoll möglich. Der Machine-Learning-Ansatz nutzt die Situation aus, dass in der Regel viele Messdaten vor / nach dem Lager verfügbar sind, jedoch die Lagersteifigkeiten und dynamischen Eigenschaften des Lagers selbst unbekannt sind. Ausreichend viele Trainingsdaten sind kein Problem, da viele Betriebszustände relativ einfach „abgefahren“ werden können. Eine Ergänzung der Trainingsdaten über FE-Simulationen ist ebenfalls denkbar.
In dem Trainingsschritt 101 wird zunächst wird das Input / Output Szenario für die Lagercharakterisierung definiert. Hier ist sowohl eine 4-Pol- als auch eine 2-Port-Darstellung möglich. Neben den in 2 dargestellten eingeführten Input- und Outputgrößen F1, F2, v1 und v2 können aber auch andere (dynamische) Größen wie beispielsweise die Admittanz anstelle der Kraft F verwendet werden. Da die die Kraft F, Schwingung v, Impedanz Z und Admittanz Y über den Zusammenhang Y = v/F = 1/Z miteinander verknüpft sind, sind die Größen grundsätzlich austauschbar.
Weitere Ansätze für die Beschreibung des Input / Output Szenarios wären die Admittanz- und die Transfermatrixdarstellung. Die Varianten können alle ineinander überführt werden und zeichnen sich dadurch aus, dass es ein definiertes Input / Output Szenario gibt, um die dynamischen Lagereigenschaften zu charakterisieren.
Das vereinfachte Modell mit je einem Freiheitsgrad (FHG) je Interface lässt sich erweitern in eine sogenannte 6 FHG Darstellung, d.h. 6 FHG je Interface (3 translatorische, 3 rotatorische).
Nun wird das Input / Output Szenario in ein Machine Learning Modell überführt. Das ML-Modell ist zunächst eine Black Box bzw. ein Ersatzmodell für die dynamischen Lagereigenschaften, welches nun trainiert werden soll. Für Input und Output können sowohl Zeit- als auch Frequenzbereichsdaten herangezogen werden. Hierbei wird in Trainingsphase sowie Validierungs- und Testphase unterschieden.
In der Trainingsphase müssen, um gelabelte Trainingsdaten für das maschinelle Lernen zu bekommen, die Input- und Outputdaten definiert werden. Diese können - wie in 2 dargestellt - die Kräfte F1 und F2 und die Schwingung v1 und v2 sein. Für die Kraft F1 ist das Lager Teil des Empfängers und für die Kraft F2 ist das Lager Teil der Quelle. Da die Kräfte bei der In Situ Blocked Force Methode (ISO 20270) indirekt bestimmt werden, ist für Ihre Bestimmung ein zusätzlicher Berechnungsschritt erforderlich, der mit einem gewissen numerischen Aufwand und einer gewissen Fehleranfälligkeit verbunden ist. Eine weniger aufwändige Alternative stellt die Verwendung alternativer dynamischer Größen dar, wie die Punktadmittanzen und Betriebsschwingungen vor und nach dem Lager. Da diese oder ähnliche Größen über den oben beschriebenen Zusammenhang ineinander umgerechnet werden können, enthalten sie die gleiche Information. Die Schwingungen v sowie die Übertragungsfunktionen Y oder Z werden über Beschleunigungsaufnehmer an den Kontakt-Interfaces und einer entsprechenden Anregung erfasst. Um ausreichend viele Trainingsdaten, also Messdaten für das maschinelle Lernen, zu erhalten, können Messungen mit verschiedenen Betriebszuständen, Vorspannungen, Alterungsstufen etc. durchgeführt werden. Das künstliche System wird also mit bekannten Input- und Outputgrößen gefüttert und somit trainiert. Für das künstliche System selbst ist auch ein Deep Learning Ansatz vorteilhaft.
Ein besonders geeignetes Input / Output Szenario ist die Impedanz- oder Admittanzdarstellung. Der Grund dafür ist, dass die InSitu Blocked Forces nach ISO 20270 (d.h. F1 und F2) lediglich während der Trainingsphase benötigt werden. Später in der Testphase sind im laufenden Betrieb lediglich Beschleunigungsdaten vor und nach Lager erforderlich, die sich relativ einfach messen lassen, z.B. während einer Fahrzeugmessung im Anwendungsfall der e-Maschine.
Um die Vorhersagegüte des künstlichen Systems in einer optionalen Validierungs- und Testphase zu prüfen, werden gelabelte Daten verwendet, die nicht für das Training herangezogen wurden. Dadurch lässt sich die Robustheit der von dem künstlichen System 23 generierten Lagercharakterisierung bewerten. In der Testphase wird das Modell nun an neuen Daten getestet. Dies kann zum Beispiel über reale Betriebsdaten an den Interfaces vor und nach dem Lager erfolgen.
Optional wird das künstliche System in ein Substrukturmodell im benötigten Datenformat umgewandelt (z.B. ATFX) bzw. dargestellt, um die Kombination mit Geräuschquelle bzw. Empfangsstruktur im Sinne der Komponenten-basierten TPA zu ermöglichen. Damit lässt sich das künstliche System 23 als Lagermodell in bestehende kommerzielle Tools integrieren. Denkbar ist auch die Umwandlung in ein Transfermatrixmodell für die Verwendung innerhalb der Transfermatrixmethode. Weiterhin ist es möglich, eine auf maschinellem Lernen basierte Modellbibliothek für passende und realistische Lagercharakterisierungen zu erstellen. Dies wird als Big Data Ansatz bezeichnet.
Neben der obigen schriftlichen Offenbarung wird explizit auf die Offenbarung der 1 und 2 verwiesen.

Claims

Verfahren (100) zum Ermitteln einer mechanischen Anregung einer Komponente (3) einer mechanischen Vorrichtung, welche über ein Lager (2) mit einer anregenden Quelle (1) der mechanischen Vorrichtung gekoppelt ist, umfassend: - Definieren (102) einer anregenden Bewegung, welche von der anregenden Quelle (1) auf einer ersten Seite des Lagers (2) verursacht wird, - Ermitteln (103) einer durch die anregende Bewegung verursachten von dem Lager (2) ausgehenden Anregung auf einer zweiten Seite des Lagers (2), die mit der Komponente (3) gekoppelt ist, wobei die von dem Lager (2) ausgehende Anregung mittels eines künstlichen Systems (23) ermittelt wird, das durch maschinelles Lernen trainiert wurde, wobei das maschinelle Lernen basierend auf Messwerten erfolgt ist, die an zumindest einem real existierenden Lager erfasst wurden, und - Ermitteln (104) der mechanischen Anregung der Komponente (3), welche durch die von dem Lager (2) ausgehende Anregung verursacht wird.
Verfahren gemäß Anspruch 1, wobei die anregende Bewegung auf der ersten Seite des Lagers (2), die ausgehende Anregung auf einer zweiten Seite des Lagers (2) und die mechanische Anregung der Komponente (3) durch jeweils eine Schwingungseigenschaft definiert ist.
Verfahren gemäß einem der vorangehenden Ansprüche, wobei durch das künstliche System (23) eine Übertragungsfunktion bereitgestellt wird, die ein Filterverhalten des Lagers (2) zwischen der ersten Seite des Lagers (2) und der zweiten Seite des Lagers (2) beschreibt.
Verfahren gemäß einem der vorangehenden Ansprüche, wobei bei dem Ermitteln der mechanischen Anregung die von dem Lager (2) ausgehende Anregung mit einer Übertragungsfunktion beaufschlagt wird, welche eine Übertragungscharakteristik der Komponente (3) beschreibt.
Verfahren gemäß einem der vorangehenden Ansprüche, wobei aus der mechanischen Anregung der Komponente (3) eine resultierende akustische Schwingung ermittelt wird.
Verfahren gemäß einem der vorangehenden Ansprüche, wobei die Messwerte, basierend auf denen das maschinelle Lernen erfolgt ist, blockierende Kräfte, Beschleunigungswerte, Geschwindigkeitsdaten und/oder Übertragungsfunktionen umfassen.
Verfahren gemäß einem der vorangehenden Ansprüche, wobei die mechanische Vorrichtung ein Fahrzeug oder eine Wärmepumpe ist, wobei die anregende Quelle (1) insbesondere ein Motor ist.
Verfahren gemäß einem der vorangehenden Ansprüche, ferner umfassend: - Erfassen (101) der Messwerte an dem zumindest einen real existierenden Lager und Ausführen des maschinellen Lernens basierend auf den Messwerten.
Verfahren gemäß einem der vorangehenden Ansprüche, wobei die Messwerte, basierend auf denen das maschinelle Lernen erfolgt ist, an dem in einer mechanischen Vorrichtung verbauten real existierenden Lager erfasst wurden oder an dem in einem Prüfstand angeordneten real existierenden Lager erfasst wurden.
Vorrichtung (10) zum Ermitteln einer mechanischen Anregung einer Komponente (3) einer mechanischen Vorrichtung, welche über ein Lager (2) mit einer anregenden Quelle (1) der mechanischen Vorrichtung gekoppelt ist, umfassend eine Recheneinheit, welche dazu eingerichtet ist: - einer anregenden Bewegung zu definieren, welche von der anregenden Quelle (1) auf einer ersten Seite des Lagers (2) verursacht wird, - eine durch die anregende Bewegung verursachte und von dem Lager (2) ausgehenden Anregung auf einer zweiten Seite des Lagers (2) zu ermitteln, die mit der Komponente (3) gekoppelt ist, wobei die von dem Lager (2) ausgehende Anregung mittels eines künstlichen Systems (23) ermittelt wird, das durch maschinelles Lernen trainiert wurde, wobei das maschinelle Lernen basierend auf Messwerten erfolgt ist, die an zumindest einem real existierenden Lager erfasst wurden, und - die mechanische Anregung der Komponente (3) zu ermitteln, welche durch die von dem Lager (2) ausgehende Anregung verursacht wird.