Seminar Imperfektion und Datenbanken WS 2003/2004

Größe: px

Ab Seite anzeigen:

Download "Seminar Imperfektion und Datenbanken WS 2003/2004"

Christoph Fuchs
vor 8 Jahren
Abrufe

1 Fuzzy Logik im Einsatz der Automobilindustrie Beispiele, wie hilfreich die Fuzzy Logik in der Automobilindustrie ist: Antiblockiersystem Automatisches Schalten Simulation von Abstandhalten Simulation von Spurwechsel

2 Fuzzy Logik Warum Fuzzy Logik?? Integration technischen Wissens innerhalb kürzester Zeit Optimierungen basieren auf technischem Wissen und Erfahrung Leicht nachvollziehbare, verständliche Modelle Weniger komplex als mathematischen Modelle

3 ABS: Slack Slack: Differenz zwischen Rotationsgeschwindigkeit des Rades und Geschwindigkeit des Fahrzeuges. Slack 1 Rad blockiert Slack 0 Rotationsgeschwindigkeit des Rades gleich Geschwindigkeit des Fahrzeuges. Optimale Bremswirkung dazwischen. Fahrbahneigenschaft Optimaler Slack Trocken 0,2 Rutschig oder nass 0,12 Schnee oder Eis 0,05

4 ABS: Funktionsweise Ermittlung des Slacks: Sensoren ermitteln Geschwindigkeit der Räder in einer Schleife von 1-5 ms. Kontroller wertet Daten aus und steuert Ventile der Bremsen. Problem: Slack hängt von Fahrbahnoberfläche ab Lösung: Slack je nach Reaktion des Fahrzeuges anpassen

5 Automatik-Getriebe Problematik: Viel Performance spätes Heraufschalten Sparsame Fahrweise frühes Folgende Punkte sollte die Fuzzysteuerung leisten: Vermeiden von ständigem Hoch- und Runterschalten auf kurvigen und hügeligen Strecken. Verständnis des Systems, ob der Fahrer sparsam oder sportlich fahren möchte. Vermeiden von unnötigem Herunterschalten, wenn dadurch nicht mehr Leistung erzielt würde.

6 Automatisches Schalten Inputdaten vom Fahrer Pedalwechsel als Sensor Zustände werden in linguistischen Variablen gespeichert Viele Pedalwechsel pro Periode schneller, kurviger Straßenverlauf Wenige Pedalwechsel pro Periode Gerade Straßenführung (Schnellstraße) Viele Pedalwechsel pro Periode und hohe Varianz in den Perioden langsamer, kurviger Straßenverlauf

7 Simulationsmodelle Wissen über Fahrverhalten wichtig, um Sicherheiten abzuschätzen. Ziel: möglichst genaue Simulation des Fahrverhaltens. Carfollowing: Verhalten des Fahrer, wenn er einen bestimmten Abstand einhalten möchte. Spurwechsel Verhalten auf einer mehrspurigen Strecke.

8 Simulationsmodelle: Carfollowing Folgende Variablen sind am Entscheidungsprozess beteiligt: Relative Geschwindigkeit DV Abstandsabweichung DSSV DSSV setzt sich zusammen aus: DS (tatsächlicher Abstand) und SV (gewünschter Abstand)

9 Simulationsmodelle: Carfollowing Datenbeschaffung An der Datenbeschaffung sind sechs Testfahrer beteiligt. Dauer: 2 Stunden Strecke: 2- bis 3-Spurig Phase 1: Daten zur relativen Geschwindigkeit Phase 2-5: Folgen eines Zielfahrzeuges mit minimalem Abstand Verhalten bei Brems- bzw. Beschleunigungsmanövern des Zielfahrzeuges Überholen eines Fahrzeuges und Annäherung an das darauf Folgende (Bewertung anhand der verbalen Terme des Fuzzysets)

10 Simulationsmodelle: Carfollowing Fuzzy Sets Fuzzy Set: Rel. Geschwindigkeit Abstandsabw. Reaktion Stark zurückfallend Viel zu Groß Starke Beschleunigung Zurückfallend Zu Groß Leichte Beschleunigung Ungefähr Null Erwünscht Keine Aktion Aufschließend Zu nah Leichte Bremsung Schnell aufschließend Viel zu nah Starke Bremsung If Abstand zu groß and relative Geschwindigkeit aufschließend then Fahrerreaktion keine Aktion

11 Simulationsmodelle: Carfollowing Kalibrierung Daten werden analysiert und Verbalen Variablen des Fuzzy Sets zugewiesen. Anschließend Verifizierung. Ergebnis nicht befriedigend Modell nachkalibrieren Daten für die relative Geschwindigkeit Variable DV wurde darauf auf 0 gesetzt.

12 Simulationsmodelle: Carfollowing System Verifizierung Um die Gültigkeit des Modells zu testen wurde eine Simulation mit 2 Fahrzeugen durchgeführt. Diese wurden genau so gesteuert wie in der Datenbeschaffung. Inputs: Gewünschter Sicherheitsabstand Startgeschwindigkeit Startabstand Outputs: Beschleunigung Relative Geschwindigkeit Tatsächliche Geschwindigkeit Zeitliche Abstände zwischen den Fahrzeugen

13 Simulationsmodelle: Carfollowing System Verifizierung

14 Simulationsmodelle: Spurwechsel Variablen Variablen beim Spurwechsel von rechts nach links: Erzielbarer Nutzen Gelegenheit Variablen beim Spurwechsel von links nach rechts: Druck von hinten Erwünschter Abstand

15 Simulationsmodelle: Spurwechsel Datenbeschaffung Teststrecke: 2- und 3-spurige Fahrbahnen. Fahrtzeit: 4 Stunden in zwei Phasen Phase1: Jede Halbe Minute wird der Fahrer gefragt, ob er einen Spurwechsel beabsichtigt. Phase 2: Nach jedem erfolgreichen Spurwechsel wird der Fahrer aufgefordert seine Absicht zu bewerten und einen Grund für den Spurwechsel anzugeben. (Bewertung erfolgt anhand der verbalen Terme des Fuzzysets)

16 Simulationsmodelle: Spurwechsel Fuzzy Sets Fuzzy Set für das WLR Modell Druck von hinten Erwünschter Abstand Absicht Hoch Hoch Hoch Medium Medium Medium Niedrig Niedrig Niedrig Fuzzy Set für das WRL Modell Erzielbarer Nutzen Gelegenheit Absicht Hoch Gut Hoch Medium Mäßig Medium Niedrig Schlecht Niedrig

17 Simulationsmodelle: Spurwechsel System Verifizierung Es wurden Sekundärdaten bez. des Spurwechsels in Abhängigkeit vom Verkehrsaufkommen genutzt, um das Modell zu überprüfen. Simulationsdauer: 5 Minuten. Inputs: Fließgeschwindigkeit Verkehrszusammensetzung Outputs: Anzahl der Spurwechsel Auslastung der Spuren in Abhängigkeit vom Verkehrsaufkommen

18 Simulationsmodelle: Spurwechsel System Verifizierung

19 Literaturverweise

Ähnliche Dokumente

Fuzzy Logik und Genetische Algorithmen für adaptive Prozesskontrolle

Fuzzy Logik und Genetische Algorithmen für adaptive Prozesskontrolle Umgang mit unsicherem Wissen VAK 03-711.08 Oliver Ahlbrecht 8. Dezember 2005 Struktur 1. Einleitung 2. Beispiel Cart-Pole 3. Warum Hybride