Datenbasierte Optimierung von Funktionsparametern zur automatisierten virtuellen Getriebekalibrierung

Angesichts der steigenden Bedeutung von Nachhaltigkeit und Ressourcenschonung wurden Antriebsstränge kontinuierlich weiterentwickelt, um effizientere Antriebe zu ermöglichen. Dabei spielt die Hybridisierung, etwa durch dedizierte Hybridgetriebe (DHT), eine zentrale Rolle. Der hohe Integrationsgrad solcher Systeme erhöht jedoch die Komplexität und damit den Kalibrierungsaufwand. Insbesondere die wachsende Variantenvielfalt führt zu erheblichen Herausforderungen in der Beherrschung von Arbeitsaufwänden. Diese Dissertationsschrift widmet sich der datenbasierten Optimierung von Funktionsparametern zur automatisierten virtuellen Getriebekalibrierung. Ziel ist es, menschliche Entscheidungsprozesse und Heuristiken teilweise nachzuahmen, um datengetrieben und zielgerichtet zu optimieren. Dadurch sollen die Konvergenz verbessert und zusätzliche Mehrwerte, etwa in Form von Systemanalysen, geschaffen werden. Die Methode setzt sich aus drei Kernelementen zusammen: Datengenerierung, Datenspeicherung und Datennutzung. Folglich steht eine Datenbasis im Fokus, welche mit Daten und Erkenntnissen des Systemverhaltens gespeist wird. Dies geschieht durch phasenweise stattfindende Evaluierungen von Systemverhaltensänderungen auf Basis von Parametereingriffen. Hierzu werden charakteristische Elemente von Zeitverläufen extrahiert, verglichen, definierte Merkmale ermittelt und abgespeichert. Im Rahmen der später stattfindenden Optimierung werden diese Daten verwendet, um gelenkte Individuen zu erschaffen und in einen konventionellen Optimierungsalgorithmus einzuspeisen. Die Methode wird in einer virtuellen Umgebung validiert, wobei Vorteile hinsichtlich verbesserter Konvergenz nachgewiesen werden. Abschließend werden die Ergebnisse kritisch v.a. im Hinblick auf die Rechenzeit diskutiert.