Pareto-Optimierung eines Systems zur aktiven Schwingungsminderung mit Hilfe evolutionärer Algorithmen und Echtzeitsimulation am Beispiel eines semiaktiven Dämpfers

Digitalisierung ist ein anhaltender Trend im Produktdesign und Entwicklungsprozess. Numerische Simulationswerkzeuge beschleunigen den Entwicklungsprozess und minimieren den Bedarf an teurer experimenteller Validierung. Angesichts zunehmend detaillierter Multidomänenmodelle und der Möglichkeit, Ergebnisse diverser Softwaretools miteinander zu verknüpfen, entsteht ein Bedarf für automatisierte Multiparameteroptimierung. In den letzten Jahren wurde eine Vielzahl von evolutionären Ansätzen für die Parameteroptimierung veröffentlicht und auch in Open-Source-Bibliotheken wie „Distributed Evolutionary Algorithms in Python“ (DEAP) [1] implementiert. Allerdings sind die Werkzeuge der evolutionären Algorithmen, wie Mutation und Crossover, nicht spezifisch auf Parametervariation für die Pareto-Optimierung von mechatronischen Anwendungen angepasst. Dieses Paper stellt die Pareto-Optimierung eines semiaktiven Fahrwerks im Automobilbereich als Active-Vibration-Control-System (AVC) mit Fuzzy-Regler dar. Dazu wurden die Kernfunktionen des evolutionären Algorithmus angepasst, um die Anforderungen, die im jeweiligen Stadium des Entwicklungsprozesses verfügbar sind, zu berücksichtigen. Die Parameter der Simulationsinstanzen entsprechen dabei den Genen der Individuen und hängen so direkt mit den physikalisch-regelungstechnisch bedeutsamen Parametern zusammen. Um eine schnelle Evaluation des Gesamtsystemverhaltens zu ermöglichen, wurde ein strukturdynamisches Modell der Karosserie, des semiaktiven Fahrwerks und der Elastomerlagerelemente für die recheneffiziente Simulation auf einer Echtzeithardware angepasst. Dies ermöglicht die direkte Evaluation einer gegebenen Parameterkonfiguration auf der Echtzeithardware. Die dargestellten Arbeiten fokussieren die gleichzeitige Optimierung von Sicherheit und Komfort des Gesamtfahrzeugs, was durch eine Zielfunktion realisiert wird, die diese Kriterien im Sinne einer Pareto-Optimierung verbindet