Maschinelle Optimierung der Antriebsauslegung zur Reduktion von CO2-Emissionen und Kosten im Nutzfahrzeug

Die CO2-Emissionen und die Total Cost of Ownership sind entscheidende Kriterien zur Bewertung von zukünftigen Nutzfahrzeugantrieben. Ein maschinelles Lernverfahren, basierend auf Regressionsmodellen der Komponentenmassen und der Herstellkosten, wird zur optimalen Antriebsauslegung angewendet. Am Beispiel von Diesel-, HPDI-, LNG/CNG-Motoren, Hybridisierung, vorausschauender Tempomat, Getriebeauslegung, Schaltstrategie und Anpassung der Achsübersetzung zeigt sich das Potenzial einer systematischen und automatisierten Lösungssuche innerhalb der Antriebsauslegung. Die vorgestellte Methode dient der Auslegung, Kosten- und Massenabschätzung der untersuchten Antriebskomponenten. Eine generische Betriebsstrategie wurde zur energieeffizienten Regelung des Antriebsstrangs entworfen. Die Integration in einen evolutionären Algorithmus ermöglicht die maschinelle Optimierung einer Vielzahl von Parametern zur Antriebsstrangauslegung mit gegenläufigen Zielgrößen. Die entwickelte Methode generiert detaillierte Antriebslösungen zur Minimierung der Zielgrößen; Total Cost of Ownership, CO2-Emissionen und Elastizität. Durch die automatisierte und reproduzierbare Lösungssuche wird der Produktreifegrad in einer frühen Phase des Produktentstehungsprozesses gesteigert.