Untersuchung datenbasierter, nichtlinearer Regelungsmethoden für die Entwicklung individuell-optimaler Hybridfahrzeug-Betriebsstrategien

Constantly growing demands on the pollutant emissions and fuel consumption of motor vehicles are, among other things, driving the development of locally emission-free powertrains. The resulting increase in the degree of freedom and complexity of the powertrain, especially in hybrid vehicles, requires new control concepts, also known as control strategies. Researchers agree that efficiency can be further increased by incorporating predictive information into control strategies. This leads to the model predictive control methods, which however are often not real-time capable or only achieve this by linearizing the simplest physical models. The goal of this dissertation is the development of data-based, model predictive methods, which do not contain any linearizations, but nevertheless allow a real-time capable application. After a detailed description of the state of the art, a two-part methodology is described. In the first step, the hybrid powertrain's nonlinear, dynamic process behavior is approximated using system identification methods. Since the common methods of system identification produce insufficient model accuracy due to the complex, dynamically coupled system, an augmented time-delay neural network (TDNN) architecture is proposed. This architecture shows sufficient model accuracy and advantages in computational efficiency, especially with respect to the intended application. The second step of the overall methodology consists of the nonlinear model predictive control. In order to deliver optimal results for the control, the cost function is first established and a suitable optimization algorithm is selected. Furthermore, stabilizing measures are investigated and implemented to ensure the robust operation of the control strategy. To further collateralize the model predictive approach, a redundant, locally optimal control strategy is incorporated. In the next step, the developed methodology is applied in a simulation environment, respecting certification cycles and everyday driving. The new approach is compared with a locally optimal approach. The results show a consumption advantage with a lower number of engine starts in all cycles. In addition, an advantage in driving safety is identified and the real-time capability is evaluated. The fuel consumption and driving safety advantages are contrasted by significant disadvantages in system excitation, model generation, and traceability, among others. This leads to the conclusion that the developed approach should not be pursued in this version. Finally, subsequent research focusing on predictive-adaptive approaches is recommended.
Stetig wachsende Anforderungen an die Schadstoffemissionen und den Kraftstoffverbrauch von Kraftfahrzeugen treiben unter anderem die Entwicklung von lokal emissionsfreien Antrieben voran. Die speziell bei Hybridfahrzeugen resultierende Erhöhung des Freiheits- und Komplexitätsgrades des Antriebsstrangs erfordert neuartige Regelungskonzepte beziehungsweise Betriebsstrategien. Die Forschung ist sich einig, dass durch die Berücksichtigung prädiktiver Informationen die Effizienz weiter gesteigert werden kann. Dies führt zu den modellprädiktiven Regelungsmethoden, welche jedoch oftmals nicht echtzeitfähig sind oder dies nur durch die Linearisierung einfachster physikalischer Modelle erreichen. Das Ziel dieser Arbeit ist die Entwicklung datenbasierter, modellprädiktiver Methoden, welche keinerlei Linearisierungen enthalten, aber dennoch eine echtzeitfähige Anwendung ermöglichen. Nach Ausführung der notwendigen Grundlagen folgt die Beschreibung einer zweiteiligen Methodik. Im ersten Schritt wird das nichtlineare, dynamische Prozessverhalten des hybriden Antriebsstrangs mithilfe von Systemidentifikationsmethoden approximiert. Da die gängigen Methoden der Systemidentifikation aufgrund des komplexen, dynamisch gekoppelten Systems unzureichende Modellgenauigkeiten produzieren, wird eine erweiterte Time-Delay-Neural-Network-Architektur vorgeschlagen. Diese weist insbesondere hinsichtlich der beabsichtigten Anwendung eine ausreichende Modellgüte und Vorteile in der Berechnungseffizienz und der Modellstabilität auf. Der zweite Schritt der Gesamtmethodik besteht aus der nichtlinearen modellprädiktiven Regelung. Damit die Regelung anschließend optimale Ergebnisse liefert, wird zuvor deren Bewertungsfunktion aufgestellt und ein geeigneter Optimierungsalgorithmus ausgewählt. Um eine robuste Arbeitsweise der Regelung zu ermöglichen, werden zusätzlich stabilisierende Maßnahmen untersucht und implementiert. Als weitere Absicherung des modellprädiktiven Ansatzes dient eine redundante, lokal optimale Betriebsstrategie. Anschließend folgt die Anwendung der entwickelten Methodik in einer Simulationsumgebung für Zertifizierungszyklen und Alltagsfahrten. Die Methodik wird mit einem lokal optimalen Ansatz verglichen. Die Ergebnisse zeigen bei allen Zyklen einen Verbrauchsvorteil bei geringerer Anzahl von Motorstarts auf. Zudem werden Vorteile in der Fahrsicherheit erkannt und die Echtzeitfähigkeit wird evaluiert. Den Verbrauchs- und Fahrsicherheits-Vorteilen stehen signifikante Nachteile unter anderem in der Systemanregung, der Modellgenerierung und der Nachvollziehbarkeit gegenüber. Dies führt zum Schluss, den entwickelten Ansatz in dieser Ausführung nicht weiterzuverfolgen. Schlussendlich werden anknüpfende Forschungen mit prädiktiv-adaptiven Ansätzen empfohlen. Die entwickelten Systemidentifikationsmethoden können jedoch bei anderen Anwendungen bedeutende Möglichkeiten eröffnen.