guest ::
| 001 | 834347 | ||
| 005 | 20230411161611.0 | ||
| 024 | 7 | _ | |2 HBZ |a HT021129018 |
| 024 | 7 | _ | |2 Laufende Nummer |a 40719 |
| 024 | 7 | _ | |2 datacite_doi |a 10.18154/RWTH-2021-09813 |
| 037 | _ | _ | |a RWTH-2021-09813 |
| 041 | _ | _ | |a German |
| 082 | _ | _ | |a 620 |
| 100 | 1 | _ | |0 P:(DE-82)IDM00269 |a Griefnow, Philip |b 0 |u rwth |
| 245 | _ | _ | |a Nichtlineare modellprädiktive Regelung von Mild-Hybridantrieben mit elektrischer Zusatzaufladung |c vorgelegt von Philip Griefnow |h online |
| 246 | _ | 3 | |a Nonlinear model predictive control of mild hybrid powertrains with electric supercharging |y English |
| 260 | _ | _ | |a Aachen |b RWTH Aachen University |c 2021 |
| 300 | _ | _ | |a 1 Online-Ressource : Illustrationen |
| 336 | 7 | _ | |0 2 |2 EndNote |a Thesis |
| 336 | 7 | _ | |0 PUB:(DE-HGF)11 |2 PUB:(DE-HGF) |a Dissertation / PhD Thesis |b phd |m phd |
| 336 | 7 | _ | |2 BibTeX |a PHDTHESIS |
| 336 | 7 | _ | |2 DRIVER |a doctoralThesis |
| 336 | 7 | _ | |2 DataCite |a Output Types/Dissertation |
| 336 | 7 | _ | |2 ORCID |a DISSERTATION |
| 500 | _ | _ | |a Veröffentlicht auf dem Publikationsserver der RWTH Aachen University |
| 502 | _ | _ | |a Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021 |b Dissertation |c Rheinisch-Westfälische Technische Hochschule Aachen |d 2021 |g Fak04 |o 2021-07-09 |
| 520 | 3 | _ | |a Im Umfeld einer stark zunehmenden 48V-Elektrifizierung greift die vorliegende Arbeit die besonderen Herausforderungen für das Antriebsmanagement von 48V-Mild-Hybrid-Antrieben mit einer elektrischen Zusatzaufladung auf und stellt ein modellprädiktives Regelungskonzept vor, das in der Lage ist, das Ansprechverhalten und den Kraftstoffverbrauch gegenüber heuristischen Verfahren nach Stand der Technik zu verbessern.48V-Mild-Hybrid-Antriebe mit einem elektrifizierten Luftpfad zeichnen sich durch eine starke Interaktion zwischen Antrieb und elektrischem System aus, die sich maßgeblich auf die Freiheitsgrade und Komplexität des Antriebsmanagements auswirkt. Nicht zuletzt wegen der zunehmenden 48V-Elektrifizierung in den diversen Fahrzeugdomänen sowie einer begrenzten elektrischen Energie und Leistungsfähigkeit ist eine intelligente Energie- und Leistungsverteilung entscheidend, um die begrenzten Ressourcen konkurrenzfähig ausgelegter 48V-Systeme bestmöglich einzusetzen. Das im Rahmen dieser Arbeit entwickelte modellprädiktive Antriebsmanagement ermöglicht eine optimierungsbasierte Regelung des Riemenstartergenerators sowie des elektrifizierten Luftpfads über die Stellglieder der Drosselklappe, des Wastegates und des elektrischen Verdichters. Es basiert auf einer nichtlinearen modellprädiktiven Regelung (englisch: Nonlinear Model Predictive Control, NMPC), die neben dem Antriebsmoment den Energieverbrauch unter Berücksichtigung des Batterieladezustands optimiert. Schwerpunkt der Arbeit bildet die Konzeption, Entwicklung und simulative Untersuchung des optimierungsbasierten Regelungskonzeptes. Fokus der Untersuchung ist neben einer Analyse des Reglerverhaltens in exemplarischen Fahrsituationen, die Bewertung des Ansprechverhaltens und Kraftstoffverbrauchs in dynamischen Fahrzyklussimulationen. Die implementierte NMPC basiert auf einem nichtlinearen Differential-Algebraischen-Gleichungssystem zur Beschreibung der Systemdynamik. Das dynamische Optimierungsproblem wird über ein Multiple-Shooting-Verfahren diskretisiert und über eine sequentielle quadratische Programmierung (SQP) mit einem generalisierten Gauss-Newton-Verfahren gelöst. Die Implementierung erfolgt über die MATLAB-basierte Softwareumgebung ACADO (englisch: Automatic Control And Dynamic Optimization). Mit einer Zeitschrittweite von 40 ms und einem Prädiktionshorizont von 720 ms kann die NMPC in Verbindung mit einer Begrenzung der SQP-Iterationen auf dem PC echtzeitfähig implementiert werden. Die Regelung ist in der Lage die Antriebsfreiheitsgrade über den gesamten Betriebsbereich auch unter hohem Störgrößeneinfluss stabil zu regeln. Sie ermöglicht darüber hinaus einen zielgerichteten und Kraftstoffverbrauch senkenden Einsatz des 48V-Systems ohne die Fahrdynamik nachteilig zu beeinflussen. In dem vorgestellten Antriebskonzept können unter idealen Voraussetzungen Verbrauchseinsparungen von bis zu 10,3% im Realfahrzyklus gegenüber einem regelbasierten Antriebsmanagement nach Stand der Technik erzielt werden. Prinzipiell steigt das Potential mit zunehmender Kenntnis über den zukünftigen Fahrverlauf und abnehmendem Fahrereinfluss. Die Gewichtung der NMPC ermöglicht indessen eine Verschiebung zwischen effizientem und dynamischem Fahrverhalten. Insgesamt stellt das vorgestellte modellprädiktive Antriebsmanagement eine aussichtsreiche Methode dar, Hybridantriebe mit elektrifizierten Aufladungskonzepten im Hinblick auf die Fahrdynamik und den Kraftstoffverbrauch effektiv zu regeln. Da es im Gegensatz zu heuristischen Verfahren ohne anwendungs- und situationsspezifische Regelwerke auskommt, lässt sich der Ansatz auf gleichartige Antriebskonzepte übertragen und ist somit geeignet den Entwicklungs-, Anpassungs- und Kalibrieraufwand perspektivisch zu verringern. |l ger |
| 520 | _ | _ | |a In the context of a strongly increasing 48V electrification this thesis takes up the special challenges of the powertrain management of 48V mild hybrid powertrains with electric supercharging and presents a model predictive control concept, which is able to improve the response behaviour and the fuel consumption compared to state-of-the-art heuristic approaches. 48V mild hybrid powertrains with an electrified air path are characterized by a strong interaction between the powertrain and the electrical system. This has significant impact on the degrees of freedom and the complexity of powertrain management. In addition, increasing 48V electrification in the various vehicle domains as well as limited electrical energy and power are further reasons for the importance of an intelligent energy and power management, which makes the best possible use of the limited resources of cost efficiently designed 48V systems. The model predictive powertrain management developed in this work enables an optimization-based control of the belt starter generator as well as the electrified air path via the actuators of the throttle valve, the waste gate and the electric supercharger. It is based on a nonlinear model predictive control (NMPC), which optimizes the drive torque and energy consumption taking into account the battery state of charge. The focus of the work is the conception, development and simulative investigation of the optimization-based control concept. The investigations concentrate on the one hand on the analysis of the controller behaviour in exemplary driving situations and on the other hand on the evaluation of the response behaviour and fuel consumption in dynamic driving cycle simulations. The implemented NMPC is based on a nonlinear differential algebraic equation system to describe the system dynamics. The continuous time optimal control problem is discretized through multiple shooting and solved by sequential quadratic programming (SQP) with a generalized Gauss-Newton method. The implementation is done via the MATLAB-based toolkit ACADO (Automatic Control And Dynamic Optimization). With a discretization time of 40 ms and a prediction horizon of 720 ms the NMPC can be implemented in real-time on the PC in combination with a limitation of the SQP iterations. The controller is able to robustly control the powertrain’s degrees of freedom over the entire operating range, even under the influence of high disturbances. Furthermore, it enables a targeted and fuel saving use of the 48V system without negatively influencing the driving dynamics. Under ideal conditions, the presented NMPC can achieve fuel savings of up to 10.3% in a real world driving cycle compared to a state-of-the-art rule based powertrain management. In principle, the potential increases with increasing knowledge about the future driving demand and decreasing driver influence. The weighting of the NMPC allows a calibration between efficient and dynamic driving behaviour. Overall, the NMPC powertrain management represents a promising method of effectively controlling hybrid powertrains with an electrified air path with regard to driving dynamics and fuel consumption. Since, in contrast to heuristic methods, it does not require application and situation specific sets of rules, the approach can be transferred to similar powertrain concepts and is thus suitable for reducing the development, adaptation and calibration effort in the future. |l eng |
| 588 | _ | _ | |a Dataset connected to Lobid/HBZ |
| 591 | _ | _ | |a Germany |
| 653 | _ | 7 | |a 48V |
| 653 | _ | 7 | |a Antriebsmanagement |
| 653 | _ | 7 | |a Energiemanagement |
| 653 | _ | 7 | |a Mild-Hybrid |
| 653 | _ | 7 | |a NMPC |
| 700 | 1 | _ | |0 P:(DE-82)IDM00250 |a Andert, Jakob Lukas |b 1 |e Thesis advisor |u rwth |
| 700 | 1 | _ | |0 P:(DE-82)IDM03056 |a Abel, Dirk |b 2 |e Thesis advisor |u rwth |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/834347/files/834347.pdf |y OpenAccess |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/834347/files/834347_source.zip |y Restricted |
| 909 | C | O | |o oai:publications.rwth-aachen.de:834347 |p openaire |p open_access |p VDB |p driver |p dnbdelivery |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM00269 |a RWTH Aachen |b 0 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM00250 |a RWTH Aachen |b 1 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM03056 |a RWTH Aachen |b 2 |k RWTH |
| 914 | 1 | _ | |y 2021 |
| 915 | _ | _ | |0 StatID:(DE-HGF)0510 |2 StatID |a OpenAccess |
| 920 | 1 | _ | |0 I:(DE-82)422320_20210420 |k 422320 |l Lehr- und Forschungsgebiet Mechatronik in mobilen Antrieben |x 0 |
| 980 | 1 | _ | |a FullTexts |
| 980 | _ | _ | |a I:(DE-82)422320_20210420 |
| 980 | _ | _ | |a UNRESTRICTED |
| 980 | _ | _ | |a VDB |
| 980 | _ | _ | |a phd |
| Library | Collection | CLSMajor | CLSMinor | Language | Author |
|---|