Kurzbeschreibung:

Moderne Verbrennungsmotoren nutzen zur Reduktion von Kraftstoffverbrauch und CO2-Emissionen eine Vielzahl an Sensoren und Aktoren, die einen optimalen Betrieb über weite Leistungsbereiche gewährleisten sollen. Um die Kundenzufriedenheit sicherzustellen werden die Motoren beim Hersteller einem Endfunktionstest unterzogen. Dieser wird als Kalttest durchgeführt, bei dem eine E-Maschine den Prüfling schleppt ohne dass Kraftstoff verbrannt wird.

Moderne Verbrennungsmotoren nutzen zur Reduktion von Kraftstoffverbrauch und CO2-Emissionen eine Vielzahl an Sensoren und Aktoren, die einen optimalen Betrieb über weite Leistungsbereiche gewährleisten sollen. Um die Kundenzufriedenheit sicherzustellen werden die Motoren beim Hersteller einem Endfunktionstest unterzogen. Dieser Durch das Abfahren eines Drehzahlprofils, gleichzeitiges Verstellen der Aktoren am Motor (z. B. Drosselklappe, Nockenwellenverstellung) und Auswertung der Sensorsignale sollen möglichst alle auftretenden Fehler gefunden werden. Dabei ist stets ein Kompromiss zwischen der Anzahl der Fehlalarme und der frühzeitigen Erkennung kleiner Abweichungen nötig.

 

Ziel ist, die Abhängigkeit der Qualität der Prüfung vom jeweiligen Testingenieur zu reduzieren. Technisch handelt es sich dabei um eine Klassifikationsaufgabe, bei der die Messwerte vom Prüfstand einer diskreten Fehlerklasse zuzuordnen sind. Im Serieneinsatz kommen heute überwiegend einfache Verfahren z. B. basierend auf Schwellwerten zu definierten Zeitpunkten zum Einsatz. Die Parametrierung dieser Prüfprogramme ist für den Anlagenbetreiber mit hohem Aufwand verbunden, da insbesondere unterschiedliche Motortypen, wechselnde Zulieferteile und Langzeitdrift zu einer Vervielfachung der zu pflegenden Parametersätze führen.

 

Im Forschungsprojekt werden lernfähige Algorithmen erforscht, die die Fehlererkennung im Endfunktionstest von Verbrennungsmotoren erlauben. Die hohe Komplexität des Systems Verbrennungsmotor verhindert dabei eine durchgängige, rein physikalisch basierte Modellbildung. Der Einsatz von Methoden des maschinellen Lernens und der Statistik soll einen Übergang von der manuellen Parametrierung der Prüfläufe zu einem lernfähigen Prüfsystem ermöglichen. Im Weiteren wird die weltweite Übertragbarkeit der Prüftechnik auf gleich hohem Niveau über Standorte hinweg untersucht.

 

Veröffentlichungen

L. Leitner, C. Endisch, "Robust Stochastic Process Models and Parameter Estimation for Industrial End-of-Line-Testing", submitted to Industrial Technology (ICIT), 2018 IEEE International Conference on, 2018

L. Leitner, H. Reiß, P. Dollinger, C. Endisch, Prüfsystem zur Stückprüfung von Prüflingen und Verfahren, DPMA Publication number 102017006687.6, 2017

J. Wiederer, L. Leitner, C. Endisch und H. Reiß, “Fast Crank-Angle Based 0D Simulation of Combustion Engine Cold Tests including Manufacturing Faults and Production Spread,” SAE International Journal of Passenger Cars - Mechanical Systems, vol. 9, no. 1, pp. 321–335, Apr. 2016

L. Leitner, A. Lagrange und C. Endisch, „End-of-line fault detection for combustion engines using one-class classification”, Advanced Intelligent Mechatronics (AIM), 2016 IEEE International Conference on (pp. 207-213)


Ansprechpartner

Leiter Forschungsgruppe am ZAF
Prof. Dr.-Ing. Christian Endisch
Tel. : +49 841 9348-5171
Raum : S426
E-Mail :