116
Neue Verfahren zur effizienten modellbasierten Motorapplikation
New processes for efficient, model-based engine calibration Dr. H. Klar, Dr. B. Klages, D. Gundel Volkswagen AG, Wolfsburg Dr. T. Kruse, T. Huber, Dr. H. Ulmer ETAS GmbH, Stuttgart
117
1. Short version
1. Kurzfassung
The continuing diversification in the layout of powertrains demands the intensified use of model-based methods for efficient calibration. On the one hand as a result of the standardisation of engines, the powertrains are used from the compact class through to the premium class, with vehicle-specific configurations being used to develop existing potential. On the other hand, the opportunities to customise the vehicle characteristics result in a large number of calibration tasks for the powertrain with regard to economical, sporty or comfortable tuning. The demands placed on calibration also cover the critical area of the legal requirements in terms of emissions and fuel consumption, and the associated increase in the number of engine parameters.
Die weiter voranschreitende Diversifizierung in den Auslegungen der Antriebsstränge erfordert für eine effiziente Abstimmung den intensiven Einsatz der modellbasierten Kalibrierung. Auf der einen Seite werden durch Standardisierung der Antriebsmotoren die Antriebsstränge von der Kompaktklasse bis zur Oberklasse eingesetzt, wobei mit fahrzeugspezifischen Auslegungen vorhandene Potentiale erschlossen werden. Auf der anderen Seite entsteht durch die Möglichkeiten der Individualisierung der Fahrzeugcharakteristik eine Vielzahl von Appli-kationsaufgaben des Antriebsstranges bezüglich einer ökonomischen, sportlichen oder komfortablen Abstimmung. Die Anforderungen an die Kalibrierung bewegen sich zusätzlich im Spannungsfeld der gesetzlichen Anforderungen an Emissionen und Kraftstoffverbrauch und dem damit verbundenen weiteren Anstieg der Anzahl der Motorparameter.
As a result of the complexity of the drivetrain systems, measurement data-based engine models offer the greatest potential for optimum and yet efficient tuning with regard to all the optimisation goals, which are frequently based on multiple criteria.
Aufgrund der komplexen Antriebsstrangsysteme bieten messdatenbasierte Motormodelle die größten Potentiale für eine bestmögliche und dennoch effiziente Abstimmung hinsichtlich multikriterieller Optimierungsziele.
For the widespread use of model-based processes in engine development and calibration, the modelling processes which are used must satisfy two conditions: Firstly the models must be extremely accurate and secondly their creation by the calibration engineer him/herself must be possible with minimal effort and good reliability. However, polynomial models or neural networks frequently used in the past require a lot of effort on the part of a modelling expert to produce the parameters and achieve a sufficient level of accuracy. This has to date seriously restricted the spread of model-based processes in the field of calibration.
Für den breiten Einsatz modellbasierter Verfahren in der Motorentwicklung und Applikation müssen die verwendeten Modellierverfahren zwei Voraussetzungen erfüllen: Erstens müssen die Modelle eine sehr hohe Genauigkeit aufweisen und zweitens muss die Modellerstellung durch den Applikationsingenieur selber mit geringem Aufwand und robust durchführbar sein. Bisher häufig verwendete polynomiale Modelle oder neuronale Netze erfordern jedoch einen sehr hohen Parametrieraufwand durch einen Modellierexperten um eine ausreichende Genauigkeit zu erreichen. Dies hat die Verbreitung modelbasierter Verfahren in der Applikation bisher stark einschränkt. Einen neuen Ansatz bieten hier statistische Lernverfahren auf Basis sogenannter Gaußprozesse, welche nach wahrscheinlichkeitstheoretischen Ansätzen aus einem vollständigen Funktionenraum diejenige Funktion bestimmen, die das Motorverhalten mit der höchsten Wahrscheinlichkeit wiedergeben. Die Modellerstellung erfolgt hierbei automatisiert. Weiterhin können auch stark nichtlineare Abhängigkeiten, wie z.B. das globale Motorverhalten in einem weiten Betriebsbereich, sehr genau abgebildet werden.
A new approach is offered by statistical learning processes based on what are known as Gaussian processes, following probability theoryrelated approaches to determine from a complete range of functions the particular function that with greatest probability reproduces the behaviour of the engine. In this case model creation is automatic. Furthermore, even significantly non-linear interdependences such as the global engine behaviour over a wide operating range can be precisely mapped. The article shows an evaluation of this process with regard to model quality and optimisation out-comes in comparison with familiar approaches. Furthermore the successful use of the tool is demonstrated in an example of fuel consumption and emissions optimisation in a diesel engine.
Der Beitrag zeigt eine Bewertung dieses Verfahrens hinsichtlich der Kriterien Modelgüte und Opti-mierergebnis im Vergleich zu bekannten Ansätzen. Weiterhin wird der erfolgreiche Einsatz in der Applikation am Beispiel der Verbrauchs- und Emissionsoptimierung eines Dieselmotors gezeigt.
2. Herausforderungen in der Motorapplikation
2. Challenges in engine calibration
Die wesentlichen Komplexitätstreiber in der Applikation von Motorsteuergeräten sind erstens die hohe Zahl an Freiheitsgraden bzw. Parametern moderner Antriebskonzepte und zweitens die Vielfalt an Applikations- und Fahrzeugvarianten. Abbilung 1 zeigt exemplarisch die Parametervielfalt eines modernen Dieselmotors sowie die zu optimierenden Zielgrößen. Je nach Anzahl an Vor- und Nacheinspritzungen ergeben sich 14 – 18 Einflussgrößen, welche bezüglich einer Vielzahl von häufig gegenläufigen Zielgrößen optimiert werden müssen.
The key complexity drivers in the calibration of engine control units are firstly the high number of degrees of freedom or parameters of modern drive concepts and secondly the wide variety of calibration and vehicle versions. Figure 1 shows an example of the wide variety of parameters of a modern diesel engine, as well as the target variables to be optimised. Depending on the number of pre- and postinjections there are 14 to 18 influencing variables which have to be optimised with regard to a large number of conflicting target variables.
Erschwerend kommt hinzu, dass die Einflussgrößen in der Regel starke Wechselwirkungen aufweisen, so dass sie nicht separat optimiert werden können sondern sämtliche möglichen Kombinationen betrachtet werden müssen. Eine vollständige Rastervermessung aller Ein-gangsgrößen ist jedoch aufgrund des exponentiellen Anstiegs der Messanzahl pro Freiheitsgrad nicht mehr möglich.
What makes things even more difficult is the fact that the influencing variables usually display strong interactions, with the result that they cannot be optimised separately and that all pos-sible combinations have to be considered. Complete grid measurement of all input variables is, however, no longer possible as a result of the exponential rise in the number of measure-ments per variance.
118
In addition, depending on the operating range, various strategies may be ideal with regard to the number of pre- and post-injections or high and low-pressure EGR. So to identify the correct strategy, multiple calibrations are necessary even the project stage.
Zusätzlich können abhängig vom Betriebsbereich verschiedene Strategien bezüglich Anzahl an Vorund Nacheinspritzung oder Hochund Niederdruck-AGR optimal sein. Um hier die richtige Strategie zu identifizieren, sind daher schon bei einem Projekt Mehrfachapplikationen erforderlich. Wie in Abbildung 2 dargestellt, wird im Rahmen der zunehmenden Standardisierung der Antriebsstränge ein Motor in der Regel jedoch für eine Vielzahl von Fahrzeugen, Getriebekombinationen und Märkten, d.h. Fahrzyklen, eingesetzt. Dies führt zu einem weiteren enormem Anstieg der Applikationen, die für einen Motor durchgeführt werden müssen.
Abbildung 1: Parametervielfalt bei der Applikation eines modernen Dieselmotors Figure 1: Wide variety of parameters in the calibration of a modern diesel engine
Aufgrund der dargestellten aktuellen Herausforderungen bei der Motorapplikation ist eine klassische messdatenbasierte Vorgehensweisen sowohl unter Zeit- als auch Kostenaspekten nicht mehr praktikabel. Eine effiziente Lösung Abbildung 2: Schematische Darstellung der Kombinationsmöglichkeiten von Fahrzeug, Motor, stellt hier die Verlagerung wesentGetriebe, Fahrzyklen und Applikationsständen licher Applikationstätigkeiten vom Figure 2: Prüfstand an den Rechner dar. Für Schematic diagram of the possible combinations of vehicle, engine, transmission, diese sogenannte modellbasierte driving cycles and calibration versions Kalibrierung ist vor allem ein globales Motormodell erforderlich, welches den Motor im gesamten Betriebsbereich und für alle relevanten Applikationsparameter sehr genau abbildet.
As shown in figure 2, however, in the context of the increasing standardisation of powertrains, one engine is usually used for a large number of vehicles, transmission combinations and markets, i.e. driving cycles. This leads to a further enormous rise in the number of calibrations that have to be carried out for an engine. On the basis of the current challenges in engine calibration shown here, a classic, purely measurement-based procedure is no longer practicable from both time and cost perspectives. One efficient solution in this case is represented by the relocation of essential calibration activities from the test rig to the computer. For this modelbased calibration the primary requirement is a global engine model which very precisely maps the engine throughout its operating range and for all relevant calibration parameters.
3. Model-based calibration
3. Modellbasierte Kalibrierung
The principal procedure of modelbased calibration is shown in figure 3:
Die prinzipielle Vorgehensweise der modellbasierten Kalibrierung ist in Abbildung 3 dargestellt:
Für den breiten Einsatz müssen die For widespread use, however, the Modelle jedoch eine sehr hohe models must demonstrate a very Genauigkeit aufweisen und vom high degree of precision and it Applikationsingenieur selbst leicht must be possible for the calibraerstellt werden können. Während tion engineer to create them beide Anfordrungen von physikalihim/herself. While both requireschen Modelle in der Regel nicht ments are not usually satisfied by erfüllt werden, können datenbaphysical models, data-based sierte Modellierverfahren in Kommodelling processes in conjuncAbbildung 3: bination mit der statistischen Vertion with statistical Design of Prinzipielle Vorgehensweise der modellbasierten Kalibrierung und die wichtigsten suchsplanung (Design of ExperiExperiment (DoE) may be a soluAnforderungen an die einzelnen Elemente Figure 3: ment, DoE) eine Lösung sein [1]: tion [1]: Data-based processes Principal procedure of model-based calibration and the most important Datenbasierte Verfahren beschreidescribe the relevant engine berequirements of the individual elements ben das relevante Motorverhalten haviour by means of a purely über ein mathematisches Approximathematical approximation mationsmodell. Die Parametrierung des datenbasierten Modells model. The parameterisation of the data-based model is achieved erfolgt anhand weniger Messungen. Nach einem an den verwendewith fewer measurements. Following a statistical design of experiten Modelltyp angepassten statistischen Versuchsplan wird der ment adapted to the model type used, the enter range of parameters gesamte Parameterraum von den Messungen abgedeckt, was den is covered by the measurements, which minimises measurement Messaufwand minimiert. Durch die Kombination der DoE-Methode costs. Efficiency can be further improved by combining DoE methomit einer schnellen und flexiblen Prüfstandsautomatisierung lässt dology with rapid and flexible test rig automation [2]. A crucial
119
sich die Effizienz noch weiter steigern [2]. Entscheidend für eine erfolgreiche Anwendung der DoE-Methodik ist jedoch die Wahl des geeigneten Modellieralgorithmus.
factor for the successful application of DoE methodology is, however, the choice of the appropriate modelling algorithm.
3.1 Klassische Verfahren zur datenbasierten Modellierung
3.1 Classic processes for data-based modelling Polynomial models or neural networks are usually used for databased engine modelling. However, both modelling processes have not only specific advantages but also some disad-vantages which limit their use in the series calibration of engine control units.
Zur datenbasierten Motormodellierung werden in der Regel Polynommodelle oder Neuronale Netze verwendet. Beide Modellierverfahren haben neben spezifischen Vorteilen jedoch Nachteile, die ihren Einsatz in der Serienapplikation von Motorsteuerungen einschränken.
• Polynomial models are easy to understand and available in many commercial tools. However they do break down with very non-line ar interdependences such as in the case of pulsation in the air system, multiple injections or generally when engine speed and load are included over a larger operating range (global modelling).
• Polynommodelle sind leicht verständlich und in vielen kommerziellen Tools verfügbar. Sie versagen jedoch bei stark nichtlinearen Abhängigkeiten wie zum Beispiel bei Pulsationen im Luftsystem, Mehrfacheinspritzungen oder generell bei der Einbeziehung von Drehzahl und Last über einen größeren Betriebsbereich (globale Modellierung).
• Neural networks permit in principle the mapping of more complex interrelationships and offer a certain degree of clarity. The production of neural networks does however require a high level of expertise as well as a high volume of validation data in order to ascertain the correct model structure with good generalisation properties and to avoid overfitting, such as the reproduction of measurement noise.
• Neuronale Netze erlauben prinzipiell die Abbildung komplexerer Zusammenhänge und bieten eine gewisse Anschaulichkeit. Die Erstellung Neuronaler Netze erfordert jedoch eine hohe Expertise sowie eine hohe Anzahl an Validierungsdaten um die richtige Modellstruktur mit guten Generalisierungseigenschaften zur ermitteln und ein Overfitting, wie zum Beispiel das Nachbilden von Messrauschen, zu vermeiden.
3.2 Neue Statistische Lernverfahren auf Basis von Gauß Prozessen
3.2 New statistical learning processes based on Gaussian processes
Ein neuer Ansatz ist hier die Verwendung neuer statistischer Lernverfahren auf Basis von Gauß Prozessen [3], welche nach einem Bayesschen Ansatz aus einem Satz vollständiger Funktionen automatisiert diejenige Funktionenschar bestimmt, deren Mittelwert mit der höchsten Wahrscheinlichkeit die Trainingsdaten repräsentiert. Diese Funktionenschar ist über sogenannte Hyperparameter charakterisiert, die das Messrauschen, die Signalstärke und für jede der D Eingangsdimensionen über eine „Lenghtscale“ ein Maß für die Änderungsrate über dem jeweiligen Eingang beschreiben. Diese 2+D Hyperparameter werden anhand der Trainingsdaten über ein Optimierverfahren nach der „Maximum Likelihood“ Methode automatisiert bestimmt. Durch eine Reihe mathematischer Umformungen kann die finale Formel für die Vorhersage einer Ausgangsgröße y, abhängig von den Eingangsgrößen (x1, x2, ...xj, ..., xD) auf eine Summe überlagerter Gaußfunktionen reduziert werden:
One new approach is the use of new statistical learning processes based on Gaussian processes [3], which use a Bayesian approach to define automatically from a set of complete functions that group of functions whose mean represents the training data with the greatest probability. This group of functions is characterised by means of what are known as hyper-parameters, which describe the measurement noise, the signal strength and a measurement for the change rate via the respective input for each of the D input dimensions by means of a "length scale". These 2+D hyperparameters are automatically determined using the training data by means of an optimisation process according to the "maximum likelihood" method. By means of a series of mathematical transformations the final formula for the prediction of an output variable y, dependent on the input variables (x1, x2, ...xj, ..., xD), can be reduced to a sum of superimposed Gaussian functions:
Hierbei ist N die Anzahl der Trainingsdaten, Qi ergibt sich aus den Trainingsdaten an der Stelle i und den Hyperparametern für Messrauschen und Signalstärke, lj ist der Hyperpara-meter „Lenghtscale" und Xi,j die Position der Trainingsdaten im Eingangsraum.
In this context N is the number of training data, Qi is derived from the training data at point i and the hyperparameters for measurement noise and signal strength, lj is the hyperparameter "length scale" and Xi,j is the position of the training data in the input area.
Dieses Verfahren erlaubt nun eine genaue Abbildung auch komplexer, stark nichtlinearer Abhängigkeiten bei Vermeidung von Overfitting, wobei eine Modellparametrierung durch den Anwender nicht erforderlich ist. Abbildung 4 zeigt dies anhand eines exemplarischen Datensatzes, bei dem die Messungen eindeutig ein komplexes Signalverhalten der Ausgangsgröße y über der Eingangsgröße x aufzeigen, welches sich deutlich vom Messrauschen abhebt. Ein solcher Signalverlauf ist typisch für motorische Abhängigkeiten und könnte zum Beispiel eine Pulsation des Luftdruckes über der Motordrehzahl
This process now permits the precise mapping of even complex, significantly non-linear interdependences, avoiding overfitting, with model parametrisation by the user being unnecessary. Figure 4 shows this using a sample data set, in which the measurements clearly indicate complex signal behaviour of output variable y over input variable x, which stands out clearly from the measurement noise. Such a signal trace is typical of engine-related interdependences and could for example be a pulsation of the air pressure over the engine speed. As the upper illustration shows, the measurement data can be
120
reproduced only very poorly with a maximum degree 4 polynomial as frequently used for DoE modelling. The lower illus-tration now shows the modelling by means of the statistical learning process described above, which reproduces the signal behaviour very well but at the same time filters out the measurement noise.
sein. Wie die obere Abbildung zeigt, können die Messdaten mit einem zur DoE-Modellierung häufig verwendeten Polynom maximal 4. Ordnung nur sehr schlecht wiedergegeben werden. Die untere Abbildung zeigt nun die Modellierung mittels des oben beschriebenen statistischen Lernverfahrens, welches das Signalverhalten sehr gut wiedergibt, das Messrauschen dabei jedoch herausfiltert.
The statistical learning process also permits the prediction of a Zusätzlich erlaubt das statistische locally suspended confidence Lernverfahren die Vorhersage eiinterval, which is shown by means nes örtlich aufgelösten Vertrauensof dotted lines in the lower intervalls, welches als Modellvaillustration as a model variance of rianz mit 1 in der unteren Abbil1 . In areas in which there are no dung über gestrichelte Linien darmeasurement data available the gestellt ist. In Bereichen in denen model variance becomes wider, keine Messdaten vorliegen, weitet thus warning the user of expected sich die Modellvarianz auf und inaccuracy in the model predicAbbildung 4: warnt so den Anwender vor einer tion. Using the training data it is zu erwartenden Ungenauigkeit der Datenbasierte Modellierung eines komplexen Signalverlaufes mit Polynommodellen (oben) possible to define a heuristic und mit einem statistischen Lernverfahren auf Basis von Gaußprozessen (unten). Modellvorhersage. Anhand der threshold for the maximum possiFigure 4: Trainingsdaten lässt sich eine heuble variance, from which a recomData-based modelling of a complex signal trace with polynomial models (above) and ristische Schwelle für eine maximendation for the area of validity with a statistical learning process based on Gaussian processes (below). mal zulässige Varianz festlegen, of the model can be derived. When aus der sich eine Empfehlung für den Gültigkeitsbereich des Modells this threshold is exceeded it is possible to show the user, for ableiten lässt. Bei Überschreiten dieser Schwelle kann dem Anwender example by means of the grey colouration of the model prediction, zum Beispiel durch eine Graufärbung der Modellvorhersage angethat the model prediction is in this case unreliable. This area can, for zeigt werden, dass die Modellvorhersage hier nicht verlässlich ist. example, then be excluded from any optimisation or identified by Dieser Bereich kann dann zum Beispiel von einer Optimierung ausmeans of subsequent measurement, so that the model also permits geschlossen werden oder durch eine nachträgliche Vermessung idena valid prediction. tifiziert werden, so dass das Modell auch dort eine gültige The high flexibility of the modelling process now also permits the Vorhersage erlaubt. simple production of global models across the entire operating range Die hohe Flexibilität des Modellierverfahrens erlaubt nun auch die of the engine with a high level of accuracy. In this case, unlike freeinfache Erstellung globaler Modelle über den gesamten Betriebsquently used 2-stage modelling processes [4], engine speed and load bereich des Motors mit hoher Genauigkeit. Hierbei können Drehzahl can be easily defined as additional model input. Even in the case of und Last im Gegensatz zu häufig verwendeten 2-stufigen Modelliercomplex global models with several hundred items of training data verfahren [4] einfach als weiterer and more than 10 input dimenModelleingang definiert werden. sions, the model is created autoDie Modellbildung erfolgt auch bei matically in a few minutes. The komplexen globalen Modellen mit user only has to carry out a check mehreren hundert Trainingsdaten of the training data for measureund mehr als 10 Eingangsdimenment errors, known as spikes, and sionen automatisch in wenigen a final model assessment. Both are Minuten. Der Anwender muss nur most easily carried out by means eine Überprüfung der Trainingsof a graph which displays the daten auf Messfehler, sog. Ausactual measurements and the reißer, sowie eine abschließende model prediction for each data Modellbeurteilung durchführen. point. In order to get a realistic Beides geschieht am einfachsten assessment of the model quality, anhand einer Grafik, die für jeden the so-called "leave-one-out" Datenpunkt den realen Messwert method is applied. In this case the über der Modellvorhersage darmodel prediction for each data stellt. Um eine realistische Bewerpoint is calculated as if it were not tung der Modellgüte zu erhalten, included in the training data. This wird die sog. „Leave-One-Out“provides a good estimate of the Methode angewendet. Hierbei actual modelling error to be Abbildung 5: wird für jeden Datenpunkt die expected on independent test Trade-Off zwischen der Anzahl an Trainingsdaten und der Modellgenauigkeit für die Modellierung des Drehmoments mit verschiedenen Modellansätzen Modellvorhersage so berechnet, data, but without the necessity of Figure 5: als wäre dieser nicht in den Traitest measurements. Trade-off between the number of training data and the model accuracy for the modelningsdaten enthalten. Dies liefert ling of torque with different model approaches
121
The possibility of producing ultra-precise global engine models in a simple manner makes the use of model-based methods accessible for a wide range of calibration tasks and an ex-tensive user group. For that reason, in the context of a joint project, the algorithms described above were adapted to the requirements of series calibration and integrated into the ETAS tool ASCMO by calibration engineers from Robert Bosch GmbH and software developed from ETAS GmbH [5, 6, 7].
eine gute Schätzung für den auf unabhängigen Testdaten zu erwartenden realen Modellfehler, ohne dass jedoch Testmessungen erforderlich sind. Die Möglichkeit, hochgenaue globale Motormodelle auf einfach Art und Weise zu erstellen, macht den Einsatz modellbasierter Methoden für ein breites Spektrum von Applikationsaufgaben einem weiten Anwenderkreis zugänglich. Daher wurden im Rahmen eines gemeinsamen Projekts von Applikationsingenieuren und Methodenentwicklern der Robert Bosch GmbH sowie Softwareentwicklern der ETAS GmbH die oben beschriebenen Algorithmen an die Erfordernisse der Serienapplikation angepasst und in das Tool ETAS ASCMO integriert [5, 6, 7].
4. Ergebnisse aus der Praxis
4. Results from practical application
Im Bereich der Motorkalibrierung wird die Modellbildungs- und Optimierungssoftware ETAS ASCMO bei der Volkswagen AG in einer Vielzahl verschiedener Projekte angewendet. Neben Modellen, die auf experimentellen Daten basieren, werden auch Datensätze aus Simulationsrechnungen als Input für die Modellbildung und anschließende Optimierung gewählt.
The Modelling and optimisation software ETAS ASCMO is used within the Volkswagen AG in a large number of different projects in the field of engine calibration. In addition to models based on experimental data, also data sets from computer simulation are chosen as input for modelling and subsequent optimisation. The scope and results of a diesel engine calibration from a typical project are presented here as an example. The first part of the task was comprised of the model-based calculation of the potential of reduction in fuel consumption with defined emissions limits for a prepared calibration in the NEDC range. This resulted in 8 further adjustment parameters in addition to engine speed and engine load. As a second requirement, a consumption-neutral reduction in particulate emissions was to be achieved by supplementing the injection strategy with a post-injection. In this case the number of variable parameters rose to 12, with engine speed and load.
Beispielhaft werden hier der Umfang und die Ergebnisse aus einem typischen Projekt einer Dieselmoterenkalibrierung vorgestellt. Der erste Aufgabenteil bestand in der modellbasierten Ermittlung des Potentials einer Verbrauchsabsenkung bei festgelegten Emissionsgrenzen für eine fertige Kalibrierung im NEDC-Bereich. Somit ergaben sich neben Drehzahl und Motorlast weitere 8 Stellparameter. Als zweite Anforderung sollte eine verbrauchsneutrale Partikelemissionsabsenkung durch die Erweiterung der Einspritzstrategie mit einer Nacheinsprit-zung erreicht werden. In diesem Fall stieg die Anzahl aller Variationsparameter mit Drehzahl und Last auf 12.
The aim was to achieve a level of model accuracy with which a onepercent improvement in fuel consumption could be confirmed by means of verification measurements. In the case of typically highly correlated parameter spaces and strong non-linearities of the target functions, appropriately adapted experimental designs are to be produced so that adequate distribution of the actually measurable trialling points is ensured. A useful balance must be found between preliminary measurement for the design of experiment and the actual measurement data set for modelling. For 12 parameters the design of experiment included ca. 600 measurement points.
Ziel war eine Modellgenauigkeit zu erreichen, mit der eine einprozentige Verbrauchsverbesserung durch Verfikationsmessungen bestätigt werden konnte. Bei den typischerweise hochkorrelierten Versuchsräumen und starken Nichtlinearitäten der Zielfunktionen sind entsprechende angepasste Versuchspläne zu erstellen, damit eine genügend gute Verteilung der tatsächlich messbaren Versuchs-punkte sichergestellt wird. Dabei muss eine sinnvolle Balance zwischen Vormessungen für die Ver-suchsplanung und dem eigentlichen Messdatensatz zur Modell-bildung gefunden werden. Bei 12 Parametern beinhaltete der Ver-suchsplan ca. 600 Messpunkte.
With the aid of the prepared ASCMO models, the optimisation of fuel consumption and emissions was carried out. The engine mapping Mit Hilfe der erstellten ASCMO-Modelle wurde die Optimierung von Verbrach und Emissionen durchgeführt. Das Kennfeldergebnis im result in the typical NEDC range with regard to the potential of retypischen NEDC-Bereich bezüglich des Potentials der Verbrauchsabduced fuel consumption is shown in figure 6. A reduction of between 2 and 5 % was calculated in the level of specific fuel consumption. senkung ist in Abbildung 6 dargestellt. An der Größe des spezifischen These figures have been confirmed by means of verification measuKraftstoffverbrauchs konnte eine Absenkung zwischen 2 und 5 % rements. The extent to which this berechnet werden. Diese Werte potential can be implemented in wurden durch Verifikationsmesthe vehicle calibration in terms of sungen bestätigt. Inwieweit dieses acoustic comfort and responsivePotential in der Fahrzeugappliness must be tested in vehicle kation bezüglich Akustikkomfort trials. und Ansprechverhalten umgesetzt werden können, muss mittels FahrWith the model-based description zeugversuchen getestet werden. the vehicle calibration engineer Mit der modellbasierte Beschreihas an optimisation tool available bung steht dem Fahrzeugapplikain ASCMO, which enables to calteur in ASCMO ein Optimierungsculate and optimise immediately werkzeug zur Verfügung, in dem the impact of changes in indiviAbbildung 6: sofort die Auswirkungen einzelner dual map parameters on emissions Vergleich der Verbrauchswerte vor und nach der modellbasierten Optimierung Kennfeldparameter auf EmissioFigure 6: and fuel consumption. With the nen und Verbrauch berechnet und Comparison of fuel consumption figures before and after model-based optimisation
122
aid of a cycle prediction changes can be evaluated directly on a test trip reducing iteration loops on roller dynamometers.
optimiert werden können. Mit Hilfe einer Zyklushochrechnung besteht die Möglichkeit auf einer Erprobung die Veränderung abzuschätzen und reduziert die Iterationsschleifen auf Rollenprüfständen.
In the second case the potential was demonstrated that a postinjection has on the reduction of particulate emissions. All the parameters were included so that in addition to the optimum location and quantity of the post-injection, all the other actuators for a reduction in particulates can be adjusted to optimum effect. With a total of only 600 measurements, settings were calculated by means of which the particulates could be significantly reduced.
Im zweiten Fall wurde das Potential aufgezeigt, die eine Nacheinspritzung auf die Verminde-rung der Partikelemission hat. Es wurden alle Parameter einbezogen, Abbildung 7: damit neben der optimalen Lage Vergleich zwischen Messung, ASCMO-Gaußmodell und Polynommodell und Menge der Nacheinspritzung Figure 7: Comparison between measurement, ASCMO-Gaussian model and polynomial model auch alle weiteren Steller für eine verbrauchsne Partikelabsenkung optimiert eingestellt werden können. Mit nur insgesamt 600 Messungen wurden Einstellungen ermittelt, durch die sich die Partikel deutlich absenkten. The main point about model-based calibration is the high accuracy of Der Hauptpunkt der modellbasierten Kalibrierung ist eine hohe the models achieved with only reasonable experimentation costs. Genauigkeit der Modelle bei noch vertretbarem Versuchsaufwand. Figure 7 shows the high quality of the Gaussian models in compariAbbildung 7 zeigt die hohe Güte der Gaußmodelle im Vergleich zu son with polynomial models, by means of a verification measurement for NOX and particle emissions. For the purpose of objective illustraPolynommodellen an Hand einer Verifikationsmessung für NOx und tion, an operating point was chosen with regard to engine speed and Partikelemission. Zur objektiven Darstellung wurde ein Betriebspunkt load which is not located on a grid point of the measurement data bezüglich Drehzahl und Last gewählt, der nicht auf einer Stützstelle set. In this way it was possible to test interpolation capability and des Messdatensatzes liegt. Somit konnte die Interpolationsfähigkeit overfitting. und Overfitting getestet werden. Mit diesen Gaußmodellen mit dieser hoher Modellgüte sowohl für die Optimierungszielgröße als auch für Begrenzungsmodelle sind Voraussagen zu treffen, die applikativ nutzbare Ergebnisse liefern.
With these Gaussian models with this high model quality for both the optimisation target vari-able and for the limitation models, predictions can be made which deliver results that can be used for calibration.
5. Zusammenfassung und Ausblick
5. Summary and outlook
Durch die Anwendung der modellbasierten Methoden wird in der Motorabstimmung eine deutliche Effizienzsteigerung erreicht. Die modellbasierte Applikation erfordert eine Kette aus externen und internen Tools, gerade für eine zeitsparende Betriebsgrenzenbestimmung in Verbindung mit der Versuchsplanung. Als zukünftiges Ziel steht die zunehmende Automatisierung des Applikationsprozesses im Vordergrund, um die Applikateure bei Routineprozessen zu entlasten.
Significantly improved efficiency is achieved in engine calibration by applying the model-based methods. Model-based calibration requires a chain of external and internal tools, particularly for the time-saving definition of operating limits in conjunction with the design of experiment. One future key goal is the increasing automation of the calibration process, in order to facilitate routine processes for the calibration engineers.
Am Beispiel einer Dieselapplikation wurde gezeigt, wie mit minimalem Aufwand der Kraftstoffverbrauch und die Emissionen durch modellbasierte Verfahren gesenkt wurden. Durch Einführung von ETAS ASCMO findet die modellbasierte Kalibrierung breiten Einsatz in der Motorenentwicklung. Mit diesem Tool sind die Applikateure in der Lage, DoE selbständig anzuwenden, wodurch die Anwenderzahl stetig ansteigt.
In the example of a diesel calibration, it has been shown how the fuel consumption and emissions were reduced with minimal effort by means of model-based processes. As a result of the introduction of ETAS ASCMO, model-based calibration is widely used in engine devel-opment. With this tool the calibration engineers are able to apply DoE independently, as a result of which the number of users is rising continuously.
Ziel ist der immer häufigere Einsatz der modellbasierten Verfahren bei zukünftigen Motorenprojekten. Als nächstes steht die Erweiterung auf den dynamischen Motorbetrieb an, um die transienten Phasen im Emissions- und Verbrauchszyklus exakter beschreiben zu können [8].
The goal is the even more frequent use of model-based processes in future engine projects. The next step is to extend the process to include dynamic engine operation, in order to be able to describe the transient phases in the emissions and fuel consumption cycles more precisely [8].
Literatur / References [1]
Röpke, K. et al.: 6th Conference on DoE in Engine Development. Berlin: Expert Verlag 2011
123
[2]
Schnellbacher, K.: Rapid Measurement and Calibration utilizing the Fast ECU Access with embedded MC. 3rd Int. Symp. on Development Methodology. Wiesbaden 2009
[3]
Bishop, C. M.: Pattern Recognition and Machine Learning. Springer 2006
[4]
The MathWorks: Model-Based Calibration Toolbox: Model Browser User’s Guide 2011
[5]
Kruse, T. et al.: Modern Statistical Modelling and Evolutionary Optimisation Methods for the Broad Use in ECU Calibration. IFAC-AAC MĂźnchen 2010
[6]
Reger, M. et al.: Extension of classical DoE method to dynamic conditions by means of characteristic numbers. 6th Conference on DoE in Engine Development. Berlin: Expert Verlag 2011
[7]
Bolduan, A. et al.: From Local Towards Global: Models for Diesel Engine Calibration. 7th Conference on DoE in Engine Development. Berlin: Expert Verlag 2013
[8]
Gutjahr T. et al.: New Approaches for Modeling Dynamic Engine Behavior with Gaussian Processes. 7th Conference on DoE in Engine Development. Berlin: Expert Verlag 2013
124
125