PHyMoS: Proper hybrid models for smarter vehicles; Teilvorhaben: Methoden zur Reduktion von Systemmodellen in SimulationX

Abstract

Derzeitiger Stand von Wissenschaft und Technik Maschinelles Lernen wurde in der industriellen Anwendung wurden zunehmend übernommen, aber die Wahl zwischen datenbasierter oder physikalischer Modellierung bedeutete eine Entweder/Oder- Entscheidung. Hybride Modelle waren zu Projektbeginn wenig bis ungenutzt. In der Wissenschaft wuchs das Interesse, physikalische Modellierung und datenbasierte Modellierungstechniken miteinander zu verknüpfen. Begründung/Zielsetzung der Untersuchung Ziel des Projekts ist es, Tools und Methoden bereit zu stellen und an konkreten Anwendungsfällen zu validieren, die es ermöglichen, das Fahrzeug der Zukunft zuverlässiger, schneller und mit weniger Aufwand zu entwickeln. Der Fokus liegt dabei auf dem Erstellen und Verbessern von für ihren Anwendungszweck geeigneten (sogenannten proper) Modellen mit Methoden des maschinellen Lernens. Methode Zur Erstellung der proper models sollen Methoden des maschinellen Lernens genutzt werden. ESI Germany wird sich an der Methodenentwicklung zur Erzeugung von Proper Models in den verschiedensten Einsatzstufen beteiligen und diese als prototypische Workflows in SimulationX umsetzen. Ergebnis Als Toolhersteller hatte ESI einen Fokus darauf, entwickelte Methoden zur Erstellung eines proper models toolseitig zu unterstützen. Dies beinhaltete … die Definition und Implementation von Modellkomplexitätskriterien, auf Basis welcher das Verbesserungspotential und die empfohlene Art der Ersatzmodellerstellung festgelegt werden können, in SimulationX; … die Entwicklung einer Schnittstelle, um neuronale Netze in das physikalische Modell integrieren zu können, welche die Behandlung von hybriden Modellen unterstützt; … die Verbesserung der Unterstützung von einer speziellen Methode zur Erhöhung der Modellgenauigkeit (NeuralFMU). Schlussfolgerung/Anwendungsmöglichkeiten Die Prototypen in SimulationX erweitern die Anwendungsmöglichkeiten des Tools, daneben kann der Kenntniszuwachs im Bereich des Erstellens von neuronalen Netzen und hybriden Modellen in zukünftige Projekte einfließen.

Datei-Upload durch TIB

State of the art Machine learning has been increasingly adopted in industrial applications, but the choice between data-based or physical modelling was an either/or decision. Hybrid models were little or unused at the start of the project. There was a growing interest in the scientific community to combine physical modelling and data-based modelling techniques. Motivation/objective of the study The aim of the project was to provide tools and methods and to validate them on specific use cases that will make it possible to develop the vehicle of the future more reliably, faster and with less effort. The focus lied on the creation and improvement of (so-called proper) models which suitable for their intended purpose, by using machine learning methods. Methods Machine learning methods were used to create the proper models. ESI Germany planned to participate in the development of methods for the creation of proper models in various application stages and to implement these as prototype workflows in SimulationX. Results As a tool manufacturer, ESI focused on supporting developed methods for creating a proper model on the tool side. This included… ...the definition and implementation of model complexity criteria in SimulationX, on the basis of which the potential for improvement and the recommended type of replacement model can be determined; ... the development of an interface to integrate neural networks into the physical model, which supports the handling of hybrid models; ... the improvement of the tool-wise support of a special method which can be used to increase the accuracy of the model (NeuralFMU). Conclusions/Applications The prototypes in SimulationX extend the application possibilities of the tool, and the increase in knowledge in creating neural networks and hybrid models can also be incorporated into future projects.