Verbundvorhaben PHyMoS: Proper Hybrid Models for Smarter Vehicles

Abstract

Ziel des Vorhabens war es, sogenannte Proper Models für unterschiedliche Fragestellungen als Simulationsmodelle zur Verfügung zu stellen und Methoden zur Erzeugung dieser zu entwickeln. Proper Models nutzen vorhandenes physikalisches Wissen in dateneffizienter Weise, sollen skalierbar sein und sollen die Vorteile physikbasierter und datenbasierter Modellierungstechniken vereinen. Im Teilvorhaben der TLK-Thermo GmbH wurden Proper Models für Thermomanagementsysteme, insbes. Wärmepumpen, entworfen und evaluiert, sowie Methodiken zur Erzeugung dieser erforscht. Mit Feedforward Neural Networks wurde eine statisch-datenbasierte Methode verwendet, um den Coefficient of Performance einer umschaltbaren Wärmepumpe unter diversen Betriebsbedingungen vorherzusagen. Als dynamisch-datenbasierte Methode wurden echtzeitfähige Neural-ODEs zur Verwendung in der Regelungsentwicklung und -optimierung verwendet. Es wurden signifikante Beschleunigungen in den Rechenzeiten erzielt. Die Methoden zur automatisierten und parallelisierten Erzeugung der Proper Models wurden als Tool-Prototypen innerhalb der TLK-Software MoBA Automation realisiert. Für den Export der schnellen Modelle und Import in andere Simulationsumgebungen wurde ein universell verwendbares Python-Tool entwickelt. Datei-Upload durch TIB The aim of the project was to make so-called proper models available as simulation models for different problems and to develop methods for generating them. Proper models use existing physical knowledge in a data-efficient manner, should be scalable and should combine the advantages of physics-based and data-based modeling techniques. In the TLK-Thermo GmbH sub-project, proper models for thermal management systems, in particular heat pumps, were designed and evaluated, and methods for generating them were researched. Feedforward neural networks were used as a static data-based method to predict the coefficient of performance of a switchable heat pump under various operating conditions. Real-time neural ODEs were used as a dynamic data-based method for use in control development and optimization. Significant acceleration in simulation times was achieved. The methods for automated and parallelized generation of the Proper Models were implemented as tool prototypes within the TLK software MoBA Automation. A universally usable Python tool was developed for exporting the fast models and importing them into other simulation environments.