Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-5420
Main Title: Verfahren zur Identifikation nichtlinearer dynamischer Getriebemodelle
Translated Title: Process to identify parameters of nonlinear dynamic transmission models
Author(s): Nowoisky, Sebastian
Advisor(s): Gühmann, Clemens
Referee(s): Gühmann, Clemens
Meyer, Henning Jürgen
Bohn, Christian
Granting Institution: Technische Universität Berlin
Type: Doctoral Thesis
Language Code: de
Abstract: Modern cars are increasingly complex when they reach their customers. The automation of the powertrain makes it possible to balance the main development targets dynamic, comfort and reduced consumption. With an average development cycle of approximately 3 years for a vehicle and a global division of labor, the model-based development is state of the art. The parameter of new gearbox models are based on adapted models from the past and validated parameterized component tests. It is the key challenge for development engineers to parametrize a transmission model since the number of prototype test and component tests are limited (and its goal it is to reduce this number further). In addition it is shown, how the validate transmission test bench experiments and modern identification methods. Furthermore how it can be structured with a gearbox test bench. To support this software and function development process as outlined before, an drivetrain model approach is suggested. In addition, the sequence of used transmission test bench experiments in combination with modern identification methods is structured. In this thesis transmission parameters such as inertia and friction torques are going to be identified on an automated manual transmission by Structured Recurrent Neural Networks (SRNN). Due to significant effects of temperature at the bearing places, the SRNN is extended to ensure the mapping of a two-dimensional non-linearity. Furthermore, the clutch capacity is determined by an automated test on transmission test bench. Finally, to demonstrate the generalizability of the methology, exemplary experiments trials where performed in the simulation on a dual clutch transmission.
Immer komplexere Fahrzeuge erreichen den Kunden. Der Zielkonflikt zwischen Komfort, Sportlichkeit und geringerem Ressourcenverbrauch ist dank der Automatisierung des Triebstrangs möglich. Mit Entwicklungszyklen von ca. drei Jahren für ein Fahrzeug und einer globalen Arbeitsteilung ist die modellbasierte Entwicklung heute Stand der Technik. Die Parameter der Getriebemodelle werden aus Vorwissen adaptiert oder durch aufwendige Komponententests bestimmt. Ein Getriebemodell zu parametrieren ist eine zentrale Herausforderung für die Entwicklungsingenieure, da nur eine begrenzte Anzahl an Prototypenfahrzeugen und Komponenten zur Verfügung stehen. Diesen skizzierten Prozess durch einen geeigneten Ansatz eines Triebstrangmodells für die Software- und Funktionsentwicklung zu unterstützen, ist eine Problemstellung dieser Arbeit. Zusätzlich wird die Frage beantwortet, wie der Ablauf bestehend aus Versuchsdurchführung und modernen Identifikationsmethoden mit Hilfe eines Getriebeprüfstands strukturiert werden kann. In diesem Beitrag werden Getriebeparameter wie Massenträgheit und Reibmomente durch Strukturierte Rekurrente Neuronale Netze (SRNN) an einem automatisierten Handschaltgetriebe identifiziert. Aufgrund nicht zu vernachlässigender Temperatureinflüsse an den Lagerstellen wird das SRNN erweitert, um eine zweidimensionale Nichtlinearität abbilden zu können. Die Kupplungskapazität, das Verzahnungsspiel und weitere Parameter werden durch automatisierte Versuche am Getriebeprüfstand bestimmt. Abschließend werden exemplarische Versuche in der Simulation am Beispiel eines Doppelkupplungsgetriebes angewandt, um die Generalisierbarbeit der Methodik zu demonstrieren.
URI: http://depositonce.tu-berlin.de/handle/11303/5815
http://dx.doi.org/10.14279/depositonce-5420
Exam Date: 1-Mar-2016
Issue Date: 2016
Date Available: 11-Nov-2016
DDC Class: DDC::600 Technik, Medizin, angewandte Wissenschaften::620 Ingenieurwissenschaften
Subject(s): Identifikation
Modellbildung
Lernverfahren
Getriebe
identification
modelling
learning algorithms
transmission
neuronal network
SRNN
Creative Commons License: https://creativecommons.org/licenses/by/4.0/
Series: Advances in Automation Engineering
Series Number: 1
EISSN: 2509-8969
ISBN: 978-3-7983-2855-6
Notes: Gedruckt erschienen im Universitätsverlag der TU Berlin, ISBN 978-3-7983-2854-9 (ISSN 2509-8950).
Dissertation eingereicht unter dem Titel: Verfahren zur Identifikation nichtlinearer, dynamischer Getriebemodelle
Appears in Collections:Technische Universität Berlin » Fakultäten & Zentralinstitute » Fakultät 4 Elektrotechnik und Informatik » Institut für Energie- und Automatisierungstechnik » Fachgebiet Elektronische Mess- und Diagnosetechnik » Publications

Files in This Item:
File Description SizeFormat 
nowoisky_sebastian.pdf19,77 MBAdobe PDFThumbnail
View/Open


Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.