Maschinelles Lernen als Analysewerkzeug zur Motorentwicklung

Methoden des maschinellen Lernens erlauben es teil-automatisierte Analyse- und Assistenzsysteme zu entwickeln, die als Werkzeuge in Forschungs- und Entwicklungsabteilungen (F&E) des Konzerns eingesetzt werden.

Verbrennungsmotoren variieren in der Energieausbeute der einzelnen Verbrennungstakte, was zu einer Reduktion der Effizienz führen kann. Um diese Schwankungen (CCVs, Cycle-to-cycle variations) zu untersuchen, analysieren wir zeitlich-örtliche Vektorfeldinformationen an einem optisch zugänglichen Zylinder (PIV Messung, particle image velocimetry) eines Ottomotors mit Direkteinspritzung (Mercedes-Benz M254) mit Methoden des Maschinellen Lernens. Ziel ist es dabei, ein Modell zu bauen, welches gute Verbrennungen auf Basis der Vektorfeldinformationen zu einem frühen Zeitpunkt (ggf. bereits während des Ansaugtaktes) vorhersagen kann. Damit wird es möglich relevante Features und Korrelationen im Vektorfeld zu finden und damit Potentiale für zukünftige Motorengenerationen abzuleiten. Unsere Analyse zeigt, dass Algorithmen des Maschinellen Lernens in der Lage sind, während des gesamten Kompressionstaktes (180 Kurbelwellenwinkel vor oberem Totpunkt) Vorhersagen zu treffen. Des Weiteren werden wichtige Vektorfeldmuster zu jedem Zeitpunkt des Kompressionstraktes identifiziert, welche in Zukunft weiter untersucht werden können, um die Entwicklung zukünftiger Motorengenerationen zu optimieren.

Diese Abbildung zeigt die Accuracy (Mittelwert +/- Standardabweichung) des maschinellen Lernmodells auf dem Testset (durchgezogene Linie, tiefrote Farbe) und dem Trainingsset (gestrichelte Linie, schwarze Farbe). Das Zufallslevel wird durch eine schwarze horizontale Linie angezeigt. Zeitpunkt der ersten Injektion ist die schwarze vertikale gestrichelte Linie und Zeitpunkt der Zündung die schwarze vertikale durchgezogene Linie.

Die Feature werden für neun Raumabschnitte berechnet (oberer Teil der Abbildung). Die roten Pfeile veranschaulichen die Veränderung der regionalen Bedeutung mit der Zeit. Die Farbverläufe im unteren Teil der Abbildung zeigen die Bedeutung der Merkmale pro Region und über die Kurbelwellenwinkel (beliebige Einheiten, Region 0 beschreibt global gemittelte Werte).

Details finden sich in unserer Publikation.

Präsentation der Ergebnisse während eines internen Daimler Workshop zum Thema AI, 12. November 2018, freiRaum Stuttgart

Wir verwenden Cookies

Damit wollen wir unsere Webseiten nutzerfreundlicher gestalten und fortlaufend verbessern. Wenn Sie die Webseiten weiter nutzen, stimmen Sie dadurch der Verwendung von Cookies zu.