Kraftstoffverbrauch reduzieren Antriebsstrang-Design mit Sensitivitätsanalyse optimieren

Welche Antriebsstrangkomponenten auf den Kraftstoffverbrauch haben, lässt sich  bestimmen in einem interaktiven Workflow.
Welche Antriebsstrangkomponenten auf den Kraftstoffverbrauch haben, lässt sich bestimmen in einem interaktiven Workflow.

Mit Monte-Carlo-Simulationen und Sensitivitätsanalyse in einem interaktiven Workflow lässt sich bestimmen, welche Antriebsstrangkomponenten die größten Auswirkungen auf den Kraftstoffverbrauch haben. So lassen sich gezielt Maßnahmen ergreifen, um optimierte -Verbrauchswerte zu erzielen.

Die USA schreiben Monroney-Sticker an allen Neufahrzeugen vor, damit Kunden wissen, welchen Kraftstoffverbrauch sie erwarten können. Der Kraftstoffverbrauch ist nicht nur ein wichtiger Faktor für Autokäufer, sondern auch ein wesentlicher Punkt für Umweltbehörden, die Normen und Standards festlegen, um die Kraftstoffökonomie in den kommenden Jahren zu verbessern.

Außerdem wurden in jüngster Zeit mehrere Automobilhersteller von Verbrauchern verklagt, weil die Verbrauchszahlen auf dem Monroney-Sticker nicht den realistischen Kraftstoffverbrauch in der Praxis wiedergeben. Die Unterschiede zwischen den Kraftstoffverbrauchszahlen in der Praxis und den Angaben auf Monroney-Stickern haben in den vergangenen Jahren stark zugenommen. Grund hierfür ist, dass die heutigen Kontrollsysteme in den vordefinierten Szenarien, die für Monroney-Kilometerschätzungen verwendet werden, sehr gut abschneiden. Wird das Auto aber bei realistischen Bedingungen gefahren, zum Beispiel bei höheren Geschwindigkeiten auf Fernstraßen, kann sich der Kraftstoffverbrauch stark von der Angabe auf dem Aufkleber unterscheiden. Wie man sich vorstellen kann, interessieren sich Automobilhersteller erheblich dafür, welche Konstruktionsentscheidungen getroffen werden können, um die Variabilität des realen Kraftstoffverbrauchs zu reduzieren, indem sie ihre Regelsysteme robuster gegenüber Änderungen der Fahrbedingungen machen.

Daher werden Ingenieure beauftragt zu ermitteln, welche Parameter die größten Auswirkungen auf das Verhalten ihrer Regelungssysteme und den Kraftstoffverbrauch ihrer Fahrzeuge haben. Ein interaktiver Workflow, bei dem Monte-Carlo-Simulationen und Sensitivitätsanalyse eingesetzt werden, um zu bestimmen, welche Komponenten im Antriebsstrang eines Autos die größten Auswirkungen auf den Kraftstoffverbrauch haben, ist äußerst hilfreich. Durch die Identifizierung dieser Komponenten lassen sich Maßnahmen ergreifen, um die erforderlichen Kraftstoffverbrauchswerte zu erzielen. Dazu zählt etwa das Anpassen des Designs zur Reduzierung des Kraftstoffverbrauchs oder das Erhöhen der Robustheit des Regelungssystems gegenüber Veränderungen der Parameter dieser Komponenten.

Der Workflow basiert auf dem Sensitivitätsanalyse-Werkzeug in Simulink Design Optimization. Dabei wird ein Pkw mit konventionellem Benzinmotor betrachtet und die Unterschiede beim Fahren auf Fernstrecken und im Ortsverkehr berücksichtigt. Während dieser Artikel sich auf die Identifizierung von Parametern konzentriert, die sich auf den Kraftstoffverbrauch auswirken, kann der beschriebene Ansatz auch zur Analyse der Sensitivität eines beliebigen Systems verwendet werden, das Schwankungen seiner Design-Parameter unterliegt.

Systemmodellierung

Um Monte-Carlo-Simulationen und die darauf folgende Sensitivitätsanalyse durchzuführen, ist zunächst ein Modell notwendig, das die Dynamik des Fahrzeugs erfasst und hinsichtlich der verschiedenen Komponenten beschreibt. Im aktuellen Beispiel muss das Modell in Bezug auf die Parameter definiert werden, die sich auf den Kraftstoffverbrauch des Fahrzeugs auswirken können, wie zum Beispiel Antriebsradradius, Übersetzung und Umgebungsbedingungen wie etwa die Temperatur. Die Parameter von Interesse kommen in die engere Auswahl und es wird ein Satz von Parameterkombinationen für Monte-Carlo-Simulationen generiert.

In diesem Beispiel kommt ein Simulink-Modell zum Einsatz, das im Powertrain Blockset verfügbar ist (Bild 1). Dieses Modell eines Fahrzeugs mit konventionellem Benzinmotor mit Fremdzündung und 8-Gang-Doppelkupplungsgetriebe umfasst sowohl Umgebungsbedingungen als auch Fahrzeugkomponenten.

Zunächst wurde eine Baseline-Simulation mithilfe der FTP75-Fahrzyklusdaten durchgeführt, die von der US-Umweltbehörde EPA für Automobilhersteller spezifiziert wurde, die Fahrzeuge in den USA verkaufen. Die Simulationsergebnisse zeigen, dass der Kraftstoffverbrauch für etwa 40 Minuten Stadtverkehr bei etwa 30 Miles per Gallon (MPG) liegt (Bild 2), was rund 8 l auf 100 km entspricht.
Aufsetzen von Monte-Carlo- Simulationen

Für die Monte-Carlo-Simulationen werden die Auswirkungen von fünf Parametern auf den Kraftstoffverbrauch bestimmt:

  • Fahrzeugmasse
  • Radradius
  • Externer Luftdruck
  • Durchmesser der Drosselklappe
  • Flussrate der Einspritzdüse
Bilder: 3

Systemmodelierung, Bilder 1-3

Systemmodelierung, Bilder 1-3

Fahrzeugmasse und Radradius erklären sich von selbst. Der externe Luftdruck bezieht sich auf den Atmosphärendruck der Umgebung. Der Durchmesser der Drosselklappe beeinflusst den Luftstrom in den Motor, während die Flussrate der Einspritzdüse den Kraftstofffluss durch die Einspritzdüsen angibt, was die Motorleistung bestimmt. Variationen im Durchmesser der Drosselklappe und in der Flussrate der Einspritzdüse können durch Abweichungen bei der Komponentenherstellung und Teilealterung beispielsweise Drossel-Verkokung und Kraftstoffrückstände an der Einspritzdüse verursacht werden.

Aus Gründen der Einfachheit wurde sich hier für einen kleineren Satz von Parametern entschieden, doch lässt sich der Satz erweitern und kann auch Parameter wie die Anzahl der Zylinder, Hubraum und alle im Modell definierten sonstigen Parameter umfassen.

Um einen neuen Parametersatz zu erstellen, der aus den fünf oben angegebenen Parametern besteht, kann man im Sensitivitätsanalyse-Tool einfach die Option Select Parameters auswählen. Dann wird ein Satz von Parameterkombinationen erstellt, der einen Design-Raum umfasst. Dieser ist groß genug, um zu zeigen, wie sich jeder der fünf Parameter auf den Kraftstoffverbrauch auswirkt. Dieser Satz ließe sich mithilfe fester bekannter Werte erstellen. Hier wird aber eine quasi-zufällige Folge, eine Sobol-Sequenz, genutzt, um einen großen Bereich möglicher Kombinationen gleichmäßig und effizient abzudecken. Andere Generierungsmethoden umfassen zufälliges Sampling und multivariates verteilungsbasiertes Sampling.

Es können die Wahrscheinlichkeitsverteilung angegeben werden, die zur Generierung von Stichproben für jeden Parameter verwendet werden soll, und obere und untere Schranken für die möglichen Werte festgelegt werden. Beispielsweise wird davon ausgegangen, dass die Fahrzeugmasse gleichmäßig zwischen 1200 und 1400 kg verteilt sein soll. Das entspricht dem Gewicht eines Fahrzeugs mit einem bzw. vier Insassen. Ähnliche Grenzen werden für die vier anderen Parameter festgelegt und 100 Kombinationen generiert, die im Anschluss geplottet werden (Bild 3).

Dann wird das Signal im Modell ausgewählt, das den Kraftstoffverbrauch für diesen Fahrzyklus (Stadtverkehr) berechnet. In diesem Fall liefert das gewählte Simulink-Signal, das im »Visualization«-Subsystem verfügbar ist, eine kontinuierliche Schätzung des Kraftstoffverbrauchs. Indem man den letzten Wert dieses Signals betrachtet, lässt sich der MPG-Wert für die jeweilige Simulation schätzen. Ein Klick auf die Schaltfläche »Evaluate Model« im Sensitivitätsanalyse-Tool startet die Evaluierung sämtlicher Parametersätze. Das Werkzeug führt eine Simulation des Modells für jede Parameterkombination aus und berechnet den relevanten Wert für jede Simulation. In diesem Modell wird der MPG-Wert durch ein Signal im »Visualization«-Subsystem geschätzt. Basierend auf diesen Ergebnissen lässt sich eine Sensitivitätsanalyse für den MPG-Wert veranlassen.
Das Sensitivitätsanalyse-Tool kann parallele Simulationen ausführen, was besonders wichtig ist, wenn die große Zahl an Fahrzyklusläufen berücksichtigt werden müssen, die für die Sensitivitätsanalyse erforderlich sind. Der gegebene Parametersatz wird automatisch parallel von Workern im Cluster evaluiert, mit dem eine Verbindung hergestellt wurde, und die Ergebnisse werden in einem Streudiagramm visualisiert (Bild 4). Die x-Achsen zeigen die Variationen der fünf Parameterwerte an, während die y-Achse den Wert des berechneten Kraftstoffverbrauchs für jede Parameterkombination anzeigt. Das Streudiagramm demonstriert, dass der MPG-Wert des Fahrzeugs im Beispielszenario für den gleichen Fahrzyklus zwischen 24 und 32 variieren kann.