Multi-objektive Optimierung des Antriebsstrangs von Hybrid-Elektro-Schienenfahrzeugen

Umbruch der Technologien für Schienenfahrzeug-Antriebssysteme

Während bestehende Elektrifizierungsansätze die Kostenziele für viele Anwendungsszenarien verfehlen, fallen etablierte kosteneffiziente Dieselfahrzeuge den CO 2 -Vorschriften zum Opfer. Innovative hybridelektrische Antriebstechnologien haben das Potenzial, dieses Dilemma zu beenden, leiden aber unter dem geringen Grad an technischer Erfahrung. In diesem VUCA-Umfeld (volatil, unsicher, komplex und mehrdeutig) reduziert das vorliegende Papier die Risiken bei der Entscheidungsfindung im Bereich der Bahnantriebe, indem es den Hyper Space Exploration (HSE)-Ansatz anwendet, um das Potenzial innovativer hybrider diesel-elektrischer Alternativen während der Entwurfsphase zu quantifizieren. Dabei werden multikriterielle Pareto-optimale Zielkonflikte durch Anwendung von Algorithmen der Mehrzieloptimierung (MOO) auf virtuellen Prototypen identifiziert. Da die zugrunde liegenden Simulationen mit der Toolbox for Optimal Railway Propulsion Architectures (TORPA) rechenintensiv sind, ist die Effizienz der MOO-Suchalgorithmen von entscheidender Bedeutung.

Dementsprechend werden drei Arten von Suchalgorithmen hinsichtlich ihrer Leistungsfähigkeit verglichen: Latin Hypercube Sampling (LHS), ein Genetischer Algorithmus (NSGA2) und der Ansatz der Surrogatoptimierung von rechenintensiven Mehrzielproblemen (SOCEMO). Die Ergebnisse dieser Arbeit ermöglichen es Eisenbahn-Produktmanagern, Systemarchitekten und Betreibern, geeignete Suchalgorithmen auszuwählen, um die Potenziale innovativer Schienenfahrzeug-Antriebstechnologien effektiv und effizient zu quantifizieren und dadurch ihr Entscheidungsrisiko zu verringern.

Lesen Sie mehr Details im veröffentlichten Artikel.