Methode zur multikriteriellen Optimierung des Motorverhaltens anhand physikalisch motivierter Modelle

Files
5248_SusanneZaglauerDissertation.pdf (8.89 MB)
Entzug des Doktorgrades mit Bescheid vom 6. April 2020 durch die FAU.

Language
de
Document Type
Doctoral Thesis
Issue Date
2014-10-14
Issue Year
2014
Authors
Zaglauer, Susanne
Editor
Abstract

Entzug des Doktorgrades mit Bescheid vom 6. April 2020 durch die FAU.

Als Thema dieser Arbeit steht die Entwicklung einer Methode zur multikriteriellen Optimierung des Motorverhaltens anhand physikalisch motivierter Modelle im Fokus. Motivation für die Suche nach neuen Optimierungsverfahren ist die Tatsache, dass bei industriellen Anwendungsfällen die herkömmlichen Verfahren nicht immer die gewünschten Ergebnisse erzielen oder anhand von vielen unterschiedlichen Rahmenbedingungen nicht einsetzbar sind. Daher wird in den folgenden Kapiteln ein neues Konzept für die Optimierung anhand komplexer physikalischer Systeme präsentiert, das für den praktischen Einsatz ausgelegt ist. Als Beispielanwendung dient dafür die Kalibrierung moderner Verbrennungsmotoren, die viele Herausforderungen an die Mathematik stellt. Das Ziel besteht dabei darin, ein nichtlineares Verfahren der ein- und multikriteriellen Optimierung zu entwickeln, das unter Einhaltung nichtlinearer, statischer und a priori unbekannter Nebenbedingungen mit relativ wenigen Funktionsauswertungen in der Lage ist, globale Extrema zu finden. Dabei ist zu beachten, dass keine Gradienteninformationen zur Verfügung stehen, viele zu optimierende Parameter existieren und die Zielfunktionen komplexe Fitnesslandschaften (nicht-linear, nicht-quadratisch, nicht-konvex, nicht-separabel, nicht-glatt, unstetig, schlecht konditioniert, multimodal, hochdimensional) darstellen. Auch mit Korrelationen zwischen den Eingangsvariablen und numerischem Rauschen sollte der zu entwickelnde Optimierungsalgorithmus umgehen können. Um diesen Schwierigkeiten zu begegnen, wird im Rahmen dieser Arbeit ein neuer evolutionärer Algorithmus namens SAMOA (selbstadaptiver multikriterieller Optimierungsalgorithmus) entwickelt. SAMOA basiert auf bereits bekannten evolutionären Algorithmen, wie MOEA, NSGA2, SPEA2, PAES und der CMA−ES, da diese sich in verschiedenen Anwendungsgebieten sehr gut bewährt haben. Um jedoch allen genannten Anforderungen der automatisierten Motorapplikation gerecht zu werden, werden in SAMOA neuartige evolutionäre Bausteine verwirklicht. Dabei wird zur Reduzierung der Funktionsauswertungen beziehungsweise Messungen eine intelligente Versuchsplanung (Design of Experiments) für die Anfangspopulation gewählt und die Optimierung mit a priori unbekannten Nebenbedingungen ermöglicht. Zudem kann der Algorithmus multikriterielle Probleme lösen, bei denen er als Ergebnis nicht nur eine Punktemenge liefert, sondern eine Modellierung der Paretofront. Des Weiteren wird der Beweis dafür erbracht, dass dieser Algorithmus gegen die Paretofront konvergiert. Um den Zeitaufwand noch weiter zu reduzieren, kann der Algorithmus parallel auf verschiedenen Rechnerkernen oder Clustern operieren und durch eine geschickte Schrittweitensteuerung das Optimum oder die Paretofront in akzeptabler Zeit finden. Dies gelingt sogar bei sehr hochdimensionalen Optimierungsproblemen mit mehr als 600 zu optimierenden Parametern. Außerdem wird die Möglichkeit geschaffen, nicht nur kontinuierliche Optimierungsaufgaben zu lösen, sondern auch diskrete und mixed-integer Probleme. SAMOA stellt somit einen robusten und flexiblen Optimierer dar, der allen Anforderungen der automatisierten Motorapplikation gerecht wird und bei vielen Praxisbeispielen im Vergleich zu anderen bekannten Optimierern eine gute Performance zeigt.

Notes
Entzug des Doktorgrades mit Bescheid vom 6. April 2020 durch die FAU.
DOI
Faculties & Collections
Zugehörige ORCIDs