Methoden zur kundennahen Prognose der thermischen Beanspruchung von Elastomerlagern in der Fahrzeuganwendung

Abstract

Die Abwärme des Antriebsstrangs führt in verbrennungsmotorischen Fahrzeugen zu einer hohen Beanspruchung Fahrzeugunterboden, zum Beispiel von Komponenten im Motorraum und bei Elastomerlagern. Im Rahmen des Fahrzeugentwicklungsprozesses muss die Einhaltung der vorgesehenen Lebensdauer von Elastomerlagern unter anderem im Hinblick auf ihre thermische Beanspruchung sichergestellt werden. Ziel ist hierbei die Realisierung einer möglichst anforderungsgerechten Absicherung, welche Qualitätsmängel im Kundenbetrieb sowie zusätzliche Kosten durch eine zu konservative Absicherung vermeidet. Diese Arbeit untersucht, wie Kundendaten für eine anforderungsgerechtere Absicherung der thermischen Beanspruchung von Elastomerlagern im Entwicklungsprozess genutzt werden können. Zudem soll die Umsetzung einer prädiktiven Wartungsstrategie für Elastomerlager die negativen Folgen von Qualitätsmängeln im Kundenbetrieb minimieren. Zur Zielerreichung werden im Rahmen dieser Arbeit zwei Methoden entwickelt. Die erste Methode ermittelt die thermische Beanspruchung von verschiedenen Elastomerlagern im Kundenbetrieb mit Hilfe von virtuellen Temperatursensoren. Die virtuellen Sensoren entsprechen einem datenbasierten Modell, welches mit Hilfe von Methoden des Maschinellen Lernens entwickelt wird und Komponententemperaturen anhand von verfügbaren Fahrzeugsignalen während der Fahrt prognostiziert. Die ermittelte thermische Beanspruchung in der Kundenflotte dient als Referenz für die anforderungsgerechte Absicherung von zukünftigen Fahrzeugen. Zudem ermöglicht die Überwachung der thermischen Beanspruchung im Kundenbetrieb die Umsetzung einer prädiktiven Wartungsstrategie. Die zweite Methode umfasst eine regelbasierte Erfassung von zeitaufgelösten Kundendaten bei signifikanter Reduktion der Auslastung der Rechenressourcen. Die erfassten Kundendaten ermöglichen die Validierung bzw. Anpassung von existierenden Lastfällen, die im Entwicklungsprozess für die Absicherung der thermischen Beanspruchung von Elastomerlagern eingesetzt werden. Die Regeln für die Initiierung der Datenerfassung werden mit Hilfe von Messdaten und Clusterbildung definiert. Die virtuellen Temperatursensoren erreichen für verschiedene Elastomerlager und Fahrzeugmodelle eine sehr gute Prognosegüte mit einer mittleren absoluten Abweichung kleiner 2 K für das Temperaturkollektiv – unter der Voraussetzung, dass eine breite Datenbasis an Messdaten für das Modelltraining zur Verfügung steht. Die regelbasierte Datenerfassung ermöglicht die Erfassung aller relevanten Kundendaten für die Validierung der Extremlastfälle bei signifikanter Reduktion der Erfassung von irrelevanten Daten auf etwa 15 %. Die beiden entwickelten Methoden leisten einen wesentlichen Beitrag zur Verbesserung des aktuellen Stands der Wissenschaft und Technik, indem sie eine anforderungsgerechte thermische Absicherung von Elastomerlagern sowie die Umsetzung einer prädiktiven Wartungsstrategie im Kundenbetrieb ermöglichen. In Zukunft können die entwickelten Methoden auf weitere thermisch beanspruchte Komponenten im Fahrzeug übertragen werden, zum Beispiel auf Steuergeräte.

In combustion engine vehicles, the waste heat emanating from the drivetrain exerts high thermal stress on components located within the engine compartment and vehicle underbody, including elastomer bearings. In the context of the vehicle development process, it is imperative to ensure the intended service life of elastomer bearings, with particular attention to their thermal stress. The objective is to achieve the most requirements-based validation possible, thereby avoiding quality defects in customer operation and additional costs due to overly conservative validation. The present work examines the potential of customer data to facilitate more requirements-based validation of thermal stress on elastomer bearings during the development process. Moreover, the implementation of a predictive maintenance strategy for elastomer bearings should minimize the negative consequences of quality defects in customer operations. To achieve these objectives, two methods have been developed in this work. The first method determines the thermal stress of various elastomer bearings in customer operations with the aid of virtual temperature sensors. The virtual sensors correspond to a data-based model developed by using machine learning methods, which predicts component temperatures based on available vehicle signals. The thermal stress determined in the customer fleet serves as a reference for requirements-based validation of future vehicles. Furthermore, monitoring the thermal stress in customer operations enables the implementation of a predictive maintenance strategy. The second method involves a rule-based collection of time-resolved customer data, resulting in a significant reduction in computing resource utilization. The collected customer data enables the validation or adjustment of existing load cases, which are used in the development process to verify the thermal stress of elastomer bearings. The rules for initiating the data collection are defined using measurement data and clustering. The virtual temperature sensors demonstrate a high degree of prediction accuracy for various elastomer bearings and vehicle models, exhibiting a mean absolute error of less than 2 K for the temperature collective. This accuracy of this method is contingent upon the availability of a comprehensive database of measurement data for model training. The implementation of a rule-based data collection approach ensures the recording of all relevant customer data for the validation of the extreme load cases, while concurrently achieving a substantial reduction in irrelevant data to approximately 15%. The two methods developed make a significant contribution to improving the current state of the art by enabling requirements-based thermal validation of elastomer bearings and the implementation of a predictive maintenance strategy in customer operations. Subsequent applications of these methods may extend to other thermally stressed components within vehicles, such as control units.