End-of-Line Prüfung von Verbrennungsmotoren

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.

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 Promotionsprojekt werden lernfähige maschinelle Systeme erforscht, die die Fehlererkennung und Fehlerdiagnose 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 Mustererkennung 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.