Projekte

Optimierung hybrider Antriebsstränge von Zügen

Zusammenfassung

Um sowohl die Herstellungskosten von Zügen als auch den CO2-Ausstoß im Schienenverkehr zu senken bedarf es hybrider Lösungen. Nur wer dies schafft, kann langfristig Ausschreibungen bei Bund und Ländern gewinnen. Die Entscheidungsfindung, welche Komponenten genutzt, und wie diese dimensioniert werden, stellt eine große Herausforderung dar. Prosim findet effizient für jede Ausschreibung die individuell besten Zugauslegungen.

Problem

Ein Großteil der Strecken im europäischen Regionalverkehr werden nach wie vor mit Dieselfahrzeugen bedient. Doch die aktuelle Technologie kann den Vorgaben zu Schadstoffausstoßgrenzen nicht mehr gerecht werden. Bereits heute bleiben den reinen Dieselfahrzeugen die Einfahrt in Tunnel und Hallenbahnhöfe verwehrt. ​ Batteriebetriebene Fahrzeuge scheinen zunächst die Lösung für den Regionalverkehr zu sein. Bei genauerer Betrachtung erkennt man jedoch, Batterien sind für die hohen benötigten Energiemengen eines bis zu 100-Tonnen schweren Zuges schlicht zu groß und zu teuer.​ Bisher konnte man sich nur zwischen einer teuren, reinelektrischen und der bestehenden „günstigen“ Dieselmotorvariante entscheiden. ​

Bisherige Problemlösung

Hybridfahrzeuge sind die Lösung zwischen den beiden oben genannten Extrema. Sie erlauben abschnittsweise leisen und emissionsfreien Betrieb, vermeiden teuren Leerlauf des Dieselmotors und können bis zu 60 der aufgewendeten Energie beim Bremsen zurückgewinnen.​ Insgesamt kann ein hybrides System bis zu einem Viertel weniger Energie verbrauchen als sein Pendant mit reinem Verbrennungsmotor.​ Entwickler stehen nun vor folgender Frage: Wie sind Batterie und Dieselmotor zu dimensionieren, damit sie beide Zielgrößen bestmöglich erfüllen?​ Diese Frage ist nicht einfach zu beantworten, da es viele Abhängigkeiten gibt. So ist der Leistungsbedarf nicht sofort ersichtlich, da dieser von der Fahrzeugmasse abhängt. Umgekehrt ist die Fahrzeugmasse wiederum bestimmt durch die Größe von Batterie und Motor.​ Experten benutzen für solche Probleme komplexe Simulationsmodelle, um Lösungsalternativen zu quantifizieren. Allerdings nimmt jede Simulation Zeit in Anspruch. Selbst bei zwei Optimierungsgrößen (Batteriegröße und Dieselmotorleistung) gibt es bereits eine Vielzahl an Alternativen. Kommen weitere dazu steigt die Menge exponentiell an. ​ Auf jeder Zugverbindung kommt es zu einem individuellen Konflikt: Welche Strecke (Reichweite) muss mein Triebzug zurücklegen können und welche CO2-Richtwerte müssen dabei eingehalten werden?​ Möchte man beispielsweise ein Fahrzeug, das im Mittel für 20 verschiedene Strecken möglichst wenig CO2 ausstößt und gleichzeitig moderate Kosten hat, so kommt man auf etwa 500.000 Simulationen zur Identifizierung der besten Trade-off Lösungen. Bei einer Simulationsdauer von 2 Minuten pro Alternative liegt der reine Simulationsaufwand bei knapp 2 Jahren. Dabei ist es nicht einmal gegeben, Pareto-optimale Lösungen zu finden!​ Ein solcher Vorgang wäre Ressourcenintensiv und somit nicht wirtschaftlich, da Mitarbeiter sämtliche Simulationen manuell starten und auswerten müssen.

Prosims effiziente Problemlösung

Die Software von Prosim wird über eine Schnittstelle an das bestehende Simulationsmodell angeknüpft und generiert automatisiert und effizient die Pareto-optimalen Lösungen für Ihre Zielgrößen: Kosten und CO2-Emissionen. ​ Aus diesen kann sich der Kunde bei der Anschaffung eines Zuges den für ihn am besten geeigneten Trade-off wählen.​ Nun kann sich der Kunde unter Betrachtung seiner Anforderungen an die Strecke, die hier Reichweite und CO2-Richtwerte wären, entscheiden wie sein Zug dimensioniert werden muss, um den Anforderungen an die Umwelt gerecht zu werden und dabei die Ausgaben so gering wie möglich zu halten.​ Die Ergebnisse hat der Kunde nach nur 3 Tagen auf seinem Dashboard vorliegen!​

Optimierung neuronaler Netze zum Bienentracking

Zusammenfassung

Um die ausgewählten Performanceindikatoren eines neuronalen Netzes in den für die Anwendung gewünschten Bereich zu bringen, bedarf es einer optimalen Einstellung der Hyperparameter. Welche dieser Parameter wie eingestellt und in welcher Kombination verwendet werden, stellt eine zeitintensive und auf multikriterieller Ebene eine nicht triviale Herausforderung dar. Prosim findet für neuronale Netze individuell die besten Zusammensetzungen der Hyperparameter und das effizient und zeitsparend.

Problem

Die Hyperparameter eines neuronalen Netzes sind voreingestellte Größen, die die Architektur und Steuerung eines neuronalen Netzes festlegen. Die Wahl dieser Hyperparameter ist für das erfolgreiche Training und die anschließende Performance des Algorithmus entscheidend. Das Antrainieren eines Netzes kann je nach Größe des Datensatzes und Komplexität mehrere Stunden bis Tage dauern. Erst nach Beenden eines Trainingsdurchlaufs können Performanceindikatoren wie Precision und Recall, aber auch die Reaktionsgeschwindigkeit eines Netzes ausgewertet werden. Es gibt eine immense Vielzahl möglicher Hyperparameterkombinationen. Allein bei NUR 8 Hyperparametern kann sich die Anzahl möglicher Kombinationen auf über 8 Millionen Möglichkeiten belaufen. Alle diese seriell zu evaluieren würde bei einer Trainingsdauer von durchschnittlich 5h ca. 4000 Jahre dauern. Daher stellt sich die Frage: Wie können für die Vielzahl an möglichen Kombinationen der Hyperparameter, effizient die gefunden werden, die einen akzeptablen Trade-Off der Zielindikatoren erreichen?

Bisherige Problemlösung

Die derzeitig in der Fachliteratur vorherrschende Hyperparameteroptimierung basiert einerseits auf Erfahrungswerten und daraus resultierenden „trial and error“ Ansätzen sowie der Möglichkeit einer unikriteriellen Optimierung von Hyperparametern. Diese Methoden sind zeitintensiv und können nicht gewährleisten alle möglichen pareto-optimalen Kombinationen der Parameter für mehrere Zielindikatoren zu finden. Doch nur mit solchen Lösungen, kann der für den individuellen Anwendungsfall gewünschten Trade-Off aus der Vielzahl an Möglichkeiten gewählt werden.

Prosims effiziente Problemlösung

Prosims Software benötigt in der Regel Simulationsmodelle zur Optimierung. Allerdings eignet sich die Software auch hervorragend zum Optimieren von neuronalen Netzte. Dabei werden gezielt die nächsten Netze mit automatisiert parametrierten Hyperparametern trainiert. Aus der Performance der Netze leitet die Prosim Software Zusammenhänge zwischen den Hyperparametern und der Performance her. Basierend auf diesen Zusammenhängen kann die Prosim Software sich mit einer relativ geringen Anzahl an Trainings den Pareto optimalen Lösungen nähern.