Inhalt Multikriterieller Entwurf mechatronischer Systeme Jürgen Teich Institut für Informatik 12: Struktur des Lehrstuhls Eingebettete Systeme und Co-Design Multikriterieller Entwurf mechatronischer Systeme Modellorientierte Optimierung Mehrzieltoptimierung Beispiel Aktive Fahrzeugdämpfung Evolutionäre Mehrzieloptimierung Hierarchische Optimierung Ausblick Aktivitäten im Bereich Intelligente Autonome Systeme und Robotik 1 2 Hardware-Software-Co-Design Struktur (11/04) Gegründet im Januar 2003 3 Forschergruppen: Reconfigurable Computing (Dr. Christophe Bobda) System-Level Design Automation (Christian Haubelt) Architecture and Compiler Design (Frank Hannig) 1 externe Projektgruppe am Fraunhofer IIS: Hardware/Software Co-Design (Dr. Marcus Bednara) 2 Professoren, 17 wiss. Mitarbeiter Sonstiges Personal: 3 TM, 1 VA > 150 Publikationen (letzte 5 Jahre) Vorlesungen: Technische Informatik Hardware-Software-Co-Design Eingebettete Systeme Reconfigurable Computing Reconfigurable Computing Dr.-Ing. Christophe Bobda M. Sc. Ali Ahmadinia (IIS) Dipl.-Ing. Dirk Koch (SPP1148) Dipl.-Ing. Mateusz Majer (DFG SPP1148) System-Level Design Automation (Tools) Dipl.-Ing. Christian Haubelt Dipl.-Ing. Thomas Schlichter (IIS) Dipl.-Ing. Joachim Falk (IBM) Dipl.-Ing. Thilo Streichert (DFG SPP1148) Dipl.-Phys. Bernhard Niemann (IIS) Compiler and Architecture Design Dipl.-Ing. Frank Hannig Dipl.-Ing. Alexey Kupriyanov M. Sc. Hritam Dutta (Siemens) Dipl.-Ing. Alexander Waitz FhG IIS Dr.-Ing. Marcus Bednara Dipl.-Ing. Daniel Ziener Dipl.-Ing. Joachim Keinert Neu: Theoriegruppe: Prof. Dr. rer. nat. Rolf Wanka Extern Dipl.-Inform. Ralph Weper 3 4
Eingebettete Systeme Sensor Prozessor feld Aktor Mikroprozessor User ASIC RAM Systemumgebung eingebettetes System CAD Formale Spezifikation Co-Design Gründe für Spezialisiertheit:: Kosten Energieverbrauch Geschwindigkeit Größe Gewicht Time-to-market Eingebettete Systeme Mobile Kommunikation z -1 z -1 z -1 z -1 Konsumelektronik Jürgen Teich INF 12 <<... >>.. Automobiltechnik Motorsteuerung MOST/CAN Infotainment ABS/ESP 5 6 Entwurfsraumexploration Forschungsziele Performance Mischformen Spezifikation + Beschränkungen Hardware Technologie: SoC (System on a Chip) Rekonfigurierbare Rechensysteme Entwurfsmethodik: Multisprachenentwurf Mehrzieloptimierung und exploration Online-Entwurf und optimierung Software Kosten Systeme: Selbstkonfigurierende und selbstoptimierende eingebettete Systeme 7 8
SFB_A1_23_01.ppt / 23.01.02 SFB 614 Universität Paderborn Modellorientierte Selbstoptimierung Erforschung von mathematischen Modellen und Methoden der Selbstoptimierung für mechatronische Systeme Kernprobleme zur Realisierung von Prinzipien der Selbstoptimierung: Mehrzieloptimierungsprobleme Lösung: mengenorientierte Verfahren zur Exploration von optimalen Konfigurationen, Algorithmen zur Selektion optimaler Konfigurationen im Betrieb mit der Fähigkeit der intelligenten Vorausschau Aufgrund der natürlichen Hierarchie und der Komplexität autonomer mechatronischer Systeme: Untersuchung von Grundlagen für Hierarchische Optimierungsverfahren Teilprojekt A1 Modellorientierte Selbstoptimierung Ziele Suche nach optimalen Lösungen und zwar sowohl im statischen als auch im dynamischen Fall durch Online-Modellbildung und Simulation neuer Entwurfspunkte. Sowohl statische als auch dynamische Lösungsselektion. Wissenszuwachs durch Simulation und intelligente Vorausschau. 9 10 Modellorientierte Selbstoptimierung Mehrzieloptimierung Umgebungsgrößen u Ziele c 1.) Modellbildung skalare Optimierung: eine Zielfunktion f(x) x = (x 1, x 2,, x n ) y = (y 1, y 2,, y m ) 2.) Mehrzieloptimierung und Entwurfsraumexploration Pareto-Menge 3.) Entwurfspunktselektion Umschaltstrategien, intelligente Vorausschau x 4.) Hierarchische Optimierungsverfahren eindeutiges Minimum 11 12
Mehrzieloptimierung Mehrzieloptimierung: mehrere Zielfunktionen f(x) Populationsbasierte Optimierung Begin Operate Renew No End? Problem Solved Pareto-Menge konkurrierende Ziele x Begin: Generiere und evaluiere eine anfängliche Menge an Kandidaten S. Operate: Produziere und evaluiere eine neue Kandidatenmenge S durch Veränderung einiger Elemente aus S. Renew: Ersetze einige Elemente aus S mit einigen Elementen aus S. 13 14 Evolutionäre Mehrzieloptimierung Start Fitness Evaluation: Ranking method Init Population Elitismus und Archivbildung Start Init Population Init Archive Evaluate 3 4 Evaluate Calculate Non-dominated Solutions Selection 1 2 Selection Clustering Update No Recombination Solved? No Recombination Solved? Elitismus garantiert, dass bisherige beste Lösungen nicht verloren gehen. Yes End Yes End 15 16
Führungsverhalten (Bodenhaftung) Beispiel: Aktive Dämpfung (ABC) Beispiel: Aktive Dämpfung (ABC) Mechatronik Laboratorium, Paderborn u u Plungerzylinder Ölspeicher Aufbau Parameter: c f Passive Federung d f Passive Dämpfung d 0 Aktive Dämpfung (Skyhook) Zielfunktionen: Komfort Führungsverhalten Motor-Pumpen Einheit M Kolben Aufbaufeder Aufbaudämpfer Rad Reifendämpfer Querlenker Reifenfeder Straße 17 0 G db -20-40 -60-80 0.001 0.01 Referenz System 0.1 1 10 100 ω 0.20 x [m] 0.15 0.10 0.05 0.00 0 0.2 0.4 Straße Fahrzeug 0.6 0.8 1.0 1.2 t [s] 18 Beispiel: Aktive Dämpfung (ABS) Hierarchische Optimierung Komfort 19 20
Anwendung: ReCoNet Anwendung Intelligente Robotik (2) 21 22 Zusammenfassung Untersuchung Potenziale und Anwendungen mechatronischer Systeme mit dem Ziel der Entwicklung selbstoptimierender Systeme Optimierung des Entwurfs: Modelle repartitionierbarer Dienste und Architekturen Verfahren zur Online-Synthese und Optimierung Mehrzieloptimierungsverfahren Anwendungen: Automotive, Body Area Networks, verteilte Steuerungen, Robotik, Medizintechnik, Gebäudeautomatisierung, u.v.m. 23