HomeNewsletterAboSpringer Automotive MediaMediadatenKontakt

Home > Aktuell > Nachrichten

Huber Group: Neuronales Netz soll NOx-Sensor ersetzen

Die Huber Group forscht an Einsatzmöglichkeiten von neuronalen Netzen im Bereich der selektiven katalytischen Reduktion (SCR). Ziel ist die kostenrelevante Substitution des vor dem SCR-Katalysator installierten NOx-Sensors bei SCR-Systemen durch ein neuronales Netz beziehungsweise die Integration eines trainierten neuronalen Netzes in ein Steuergerät.

Die Wahl auf das konnektionistisches System statt auf ein entsprechendes Simulationsmodell viel aufgrund der komplexen Vorgänge bei der Entstehung von NOx. Während nach Angaben des Entwicklers dieser Vorgang nur äußerst schwierig in einem physikalischen Modell abzubilden ist, erlernt das neuronales Netz das Verhalten des Motors bezüglich der NOx-Entstehung.

Bisherige Tests führten laut Huber Group zu vielversprechenden Ergebnissen. Der Vergleich von vorhandenen Messwerten des NOx-Massenstroms eines Fahrzeuges mit den errechneten Werten eines trainierten neuronalen Netzes zeigt eine hohe Korrelation. Je mehr signifikante physikalische Eingangsgrößen dem neuronalen Netz zur Verfügung gestellt werden, desto exakter kann das Emissionsverhalten bezüglich NOx erlernt werden.

"Generell sehe ich großes Potenzial bezüglich der Nutzung neuronaler Netze innerhalb automotiver Anwendungen, insbesondere dort, wo sich eine Modellbildung aufgrund komplexer, kaum abstrahierbarer Zusammenhänge als äußerst aufwändig oder unwirtschaftlich erweist. Ich gehe davon aus, dass solche Fälle mit zunehmender Komplexität bei gleichzeitig zunehmendem Anspruch an die Beherrschbarkeit der Systeme künftig vermehrt auftreten werden", erklärt Daniel Geiger, Funktionsentwickler bei der Huber Group.

Bis das System reif für den Serieneinsatz ist, muss sich das neuronale Netz nicht nur in einer Gegenüberstellung zu realen Messergebnissen beweisen. Themen wie Fehlertoleranz beziehungsweise der Grad an Assoziationsfähigkeit sind laut Geiger ebenso zu prüfen. "Der Validierungsprozess ist entsprechend umfangreich. Auch der Aufwand für die Adaption auf verschiedene Fahrzeuge muss noch genauer beleuchtet werden. So arbeiten wir derzeit zum Beispiel an der Erstellung eines Profils zur Generierung spezifischer Trainingsdaten, um zukünftig einen Fahrzyklus zur optimalen Datenerfassung definieren zu können."

Die dargestellte Funktionalität "virtueller NOx-Sensor" will der Automobilzulieferer in naher Zukunft als Software-Funktionsmodul bereit stellen, der dann als "Object-Code" in bestehende Software-Architekturen implementiert werden kann.

Ein neuronales Netz beschreibt die Vernetzung künstlicher Neuronen, wobei jedes Neuron eine einfache Recheneinheit darstellt. Das neuronale Netz bildet ein System, das auf den Wechselwirkungen vieler vernetzter, einfacher Einheiten basiert. Die Neuronen werden über gewichtete Verbindungen zu einer spezifischen Netzstruktur zusammengefügt. Ein neuronales Netz ist lernfähig, indem ihm Eingangs- und Ausgangsgrößen vorgegeben werden. Das "Lernen" kann dabei als Veränderung beziehungsweise Optimierung der gewichteten Verbindungen zwischen den einzelnen Neuronen verstanden werden. Vereinfacht betrachtet ist das erlernte "Wissen" eines neuronalen Netzes in dessen gewichteten Verbindungen gespeichert. Ziel ist es, die Assoziationsfähigkeit neuronaler Netzwerke zu nutzen, um durch das erlernte "Wissen" eine Zielgröße aus realen (nicht trainierten) Eingangsgrößen ermitteln zu können.
Metadaten anzeigen: Autor verbergen | Schlagworte