Diese Seite wurde maschinell übersetzt.
Füllen Sie bitte eine 1-Minuten-Befragung zur Qualität dieser Übersetzung aus.
Sanden verbessert die Modellierungseffizienz für Fahrzeugklimaanlagen mit MATLAB
Genauigkeit und Rechengeschwindigkeit mit neuen Modellen verbessert
Der Hintergrund dieses Projekts bestand darin, zu prüfen, ob es möglich ist, mithilfe eines neuronalen Netzwerks Genauigkeit sicherzustellen und gleichzeitig die Abtastzeit bei der Motormodellsimulation zu reduzieren…. MathWorks schlug die Verwendung einer Deep-Learning-Methode namens LSTM vor und diese anfängliche Einführung war notwendig, um die zukünftige Arbeit zu beschleunigen.
Wichtigste Ergebnisse
- Erstellung eines hochpräzisen Ersatzmodells der Autoklimaanlage
- Die Rechengeschwindigkeit für Modelle wurde bis zum 100-fachen verbessert
- Erfolgreiche Modellierung ermöglicht künftig die Einbeziehung realer Parameter, wie etwa Wärme
Mithilfe von KI konnten die Ingenieure von Sanden einen Teil ihres Komponentenmodellierungsprozesses automatisieren.
Sanden ist ein führender Hersteller von Autoklimaanlagen in Europa und China. Das Unternehmen passt seine Technologie schon seit langem an die wechselnden Trends in der Automobilindustrie an. So hat es beispielsweise Wärmepumpen entwickelt, die eine effiziente Heizung in Elektroautos ermöglichen, ohne die Abwärme des Motors nutzen zu müssen. Da sich die Automobilindustrie jedoch in einem erheblichen Wandel befindet und dadurch der für die Entwicklung neuer Systeme erforderliche Arbeitsaufwand steigt, wird die modellbasierte Entwicklung für Teilehersteller immer wichtiger.
Beim Erstellen von Modellen elektrischer Kompressoren für Klimaanlagen muss Sanden die Anforderungen der Kunden sowohl nach schnelleren Modellberechnungszeiten als auch nach höherer Genauigkeit berücksichtigen. Um diese widersprüchlichen Ziele zu erreichen, verwendete Sanden MATLAB®- und Simulink®-Tools, um ein Deep-Learning-Neuralnetzwerk in seine Modelle zu integrieren.
Das Team verwendete Deep Learning Toolbox™, um ein neuronales Netzwerk mit langem Kurzzeitgedächtnis zu trainieren, das mit Simscape Electrical™ in das Motorsystemmodell integriert wurde. Dieses Netzwerk wurde als Ersatzmodell für Motoren und Steuerungen von Klimaanlagen verwendet, um die Signalverarbeitung zu optimieren und unnötige Daten zu entfernen. Diese Tools führten zu hochpräzisen Modellen und Verbesserungen der Rechengeschwindigkeit.
