Neuartige Methode bewertet E-Auto-Effizienz im Realbetrieb
Ein bahnbrechender Forschungsansatz revolutioniert die Bewertung von Elektroantrieben, indem er deren Effizienz direkt mit dem individuellen Fahrverhalten der Nutzer verknüpft. Unter der Leitung von Professor Zou Xihong vom Schlüssellabor für Fortschrittliche Fertigungs- und Prüftechnologien für Automobilteile der Technologischen Universität Chongqing entwickelt das Team einen Paradigmenwechsel weg von standardisierten Labor tests hin zu einer personalisierten Bewertungsmethodik.
Das Kernproblem konventioneller Bewertungsverfahren liegt in der Diskrepanz zwischen kontrollierten Testumgebungen und den unvorhersehbaren Bedingungen des realen Fahrbetriebs. Normierte Testzyklen wie NEDC oder CLTC-P erfassen weder individuelle Fahrgewohnheiten noch die Vielfalt realer Streckenprofile und Verkehrssituationen. Diese Kluft führt häufig zu Abweichungen zwischen offiziellen Verbrauchsangaben und tatsächlichem Energiebedarf, was Verbrauchervertrauen und Wertwahrnehmung elektrischer Fahrzeuge beeinträchtigt.
Zur Überwindung dieser Limitations entwickelten die Forscher einen mehrstufigen Methodenmix. Mittels hochpräziser Datenerfassungssysteme zeichneten sie Echtzeitdaten des Fahrzeug-CAN-Bus auf, erfassten präzise Drehmoment- und Drehzahlwerte des Antriebsstrangs und validierten diese durch Radsensoren. GPS-Einheiten kartierten exakte Fahr trajektorien, um Fahrverhalten geografisch zuzuordnen. Die Datenerhebung umfasste urbanes Stop-and-Go, Autobahnfahrten, Vorortverkehr, ländliche Routen und Gebirgsstrecken.
Die analysierten Daten offenbarten eine komplexe, hochvariable Verteilung der Betriebspunkte im Drehmoment-Drehzahl-Kennfeld. Statt der glatten Profile normierter Testzyklen zeigte der Realbetrieb multiple Cluster, besonders in stadt typischen Niedriggeschwindigkeitsbereichen. Zur Modellierung dieser irregular verteilten Daten nutzte das Team nichtparametrische Kernel-Dichteschätzung (KDE), die ohne Annahmen zur Grundverteilung auskommt. Durch zweidimensionale Gauß-Kernel funktionen erstellten sie eine kontinuierliche Wahrscheinlichkeitsdichteoberfläche, die das Nutzerfahrverhalten mathematisch abbildet.
Für praktische Ingenieuranwendungen generierten die Forscher mittels Markov-Chain-Monte-Carlo-Simulation (MCMC) synthetische Betriebspunkte, die die reale Verteilung statistisch abbilden. Dieser „random walk“ durch den Betriebspunkteraum erlaubte die Extrapolation auf vollständige Lebenslaufleistungen von 180.000 Kilometern.
Zur Effizienzvorhersage entwickelten die Wissenschaftler ein prädiktives Machine-Learning-Modell auf Basis genetisch optimierter Backpropagation-Neuronaler Netze (GA-BP). Grundlage bildeten präzise Prüfstand messungen des Antriebsstrangs über dichten Drehmoment-Drehzahl-Kombinationen. Der GA-BP-Ansatz kombiniert die globale Optimierungsstärke genetischer Algorithmen mit der Lokaloptimierung neuronaler Netze, was Modellgenauigkeit und Generalisierungsfähigkeit signifikant steigert. Die Testfehlerraten lagen durchgängig unter 1%.
Die Integration von Nutzerfahrprofil und Effizienzprädiktionsmodell mündete in drei neuartige Bewertungskenn größen. Die „Durchschnittseffizienz bei üblichen Fahrgeschwindigkeiten“ transformiert abstrakte Drehmoment-Drehzahl-Daten in intuitiv verständliche Geschwindigkeits effizienzkurven. Die Analyse zeigt maximale Effizienz bei circa 78 km/h und ermöglicht die Ausweisung verbrauchsrelevanter Geschwindigkeits fenster (etwa 24-34 km/h im Stadtverkehr oder 92-102 km/h bei Landstraßenfahrten).
Die „Nutzungsrate hoch effizienter Betriebsbereiche“ quantifiziert, wie gut theoretische Wirkungsgradkennfelder mit der praktischen Nutzung harmonieren. Während Hersteller häufig große Hoch effizienzbereiche propagieren, misst diese Kennzahl den tatsächlichen Verweilgrad in diesen Zonen. Die Studie ermittelte beispielsweise, dass der untersuchte Antriebsstrang zwar 80% der Betriebszeit über 80% Effizienz arbeitete, jedoch nur 13% in Spitzen effizienzbereichen über 90%. Diese Metrik bewertet somit die praktische Relevanz theoretischer Wirkungsgradinseln.
Am umfassendsten agiert die „szenarien basierte Gesamteffizienzbewertung“, die zwischen urbanem, autobahn, vorort, ländlichem und gebirgs Betrieb differenziert. Die Ergebnisse zeigen eine klare Hierarchie: Autobahnfahrten erzielen höchste Durchschnitts effizienz (85,72%), gefolgt von Vorortverkehr (86,62%), ländlichen Strecken (84,31%) und Stadt fahrt (83,31%), während Gebirgs passagen die geringste Effizienz (83,11%) aufweisen. Diese granulare Betrachtung identifiziert kritische Lastfälle und ermöglicht zielgerichtete Komponenten optimierung.
Die Implikationen dieser Forschung reichen weit über akademische Interessen hinaus. Automobil herstellern bietet dieser nutzerzentrierte Bewertungsrahmen ein mächtiges Werkzeug zur Auslegung und Validierung zukünftiger Antriebsstränge. Ingenieure können Leistung gegen digitale Abbilder ihrer Zielkunden testen, was intelligentere Abstimmungen von Motor, Umrichter und Getriebe ermöglicht. Leichtere, kosteneffizientere Komponenten ohne Reichweiten einbußen im Realbetrieb werden möglich.
Für Regulierungsbehörden eröffnet diese Methodik Wege zu aussagekräftigeren Zertifizierungsstandards, die Verbraucher vor überhöhten Effizienz versprechen schützen. Konsumenten wiederum empowern szenarien basierte Verbrauchsangaben zu informierteren Kaufentscheidungen basierend auf individuellen Fahrprofilen.
Der Erfolg dieses Projekts demonstriert die Kraft interdisziplinärer Zusammenarbeit zwischen Automobil technik, statistischer Modellierung und künstlicher Intelligenz. Die Forschung unterstreicht die Bedeutung der Überbrückung von Labor forschung und Praxisrelevanz im dynamischen Feld der Elektromobilität.
Zusammenfassend repräsentiert die Arbeit von Zou Xihong, Xiao Yukai, Su Hang, Hong Hao, Yang Xi und Zhou Yuhang einen Paradigmenwechsel in der Bewertung des Herzens elektrischer Fahrzeuge – des Antriebsstrangs. Durch die Verankerung der Effizienzbewertung in der Realität des Nutzerverhaltens schufen sie eine honestere, präzisere und letztlich nutzbarere Methodik. Mit fortschreitender globaler Elektrifizierung des Transportsektors werden solche Werkzeuge essentiell für Innovation, Produktqualität und nachhaltiges Verbrauchervertrauen in die Technologie.
Zou Xihong, Xiao Yukai, Su Hang, Hong Hao, Yang Xi, Zhou Yuhang, Journal der Technologischen Universität Chongqing (Naturwissenschaften), doi: 10.3969/j.issn.1674-8425(z).2024.05.005