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.