This thesis deals with the development of a model-based adaptive test design strategy with a focus on steady-state combustion engine calibration. The first research topic investigates the question how to handle limits in the input domain during an adaptive test design procedure. The second area of scope aims at identifying the test design method providing the best model quality improvement in terms of overall model prediction error. To consider restricted areas in the input domain, a convex hull-based solution involving a convex cone algorithm is developed, the outcome of which serves as a boundary model for a test point search. A solution is derived to enable the application of the boundary model to high-dimensional problems without calculating the exact convex hull and cones. Furthermore, different data-driven engine modeling methods are compared, resulting in the Gaussian process model as the most suitable one for a model-based calibration. To determine an appropriate test design method for a Gaussian process model application, two new strategies are developed and compared to state-of-the-art methods. A simulation-based study shows the most benefit applying a modified mutual information test design, followed by a newly developed relevance-based test design with less computational effort. The boundary model and the relevance-based test design are integrated into a multicriterial test design strategy that is tailored to match the requirements of combustion engine test bench measurements. A simulation-based study with seven and nine input parameters and four outputs each offered an average model quality improvement of 36 % and an average measured input area volume increase of 65 % compared to a non-adaptive space-filling test design. The multicriterial test design was applied to a test bench measurement with seven inputs for verification. Compared to a space-filling test design measurement, the improvement could be confirmed with an average model quality increase of 17 % over eight outputs and a 34 % larger measured input area. Diese Arbeit befasst sich mit der Entwicklung einer modellbasierten adaptiven Versuchsplanungsstrategie für die Anwendung in der Applikation des Stationärverhaltens von Verbrennungsmotoren. Der erste Forschungsteil untersucht, wie sich Grenzen im Eingangsraum in die Versuchsplanung eines adaptiven Prozesses einbinden lassen. Ein weiterer Fokus liegt auf der Identifikation einer modellbasierten Versuchsplanung, die eine bestmögliche Verbesserung der globalen Modellqualität hinsichtlich des Prädiktionsfehlers ermöglicht. Es wird ein Grenzraummodell auf Basis der konvexen Hülle unter Zuhilfenahme eines Algorithmus zur Bestimmung eines konvexen Konus entwickelt, das als Grundlage für eine Versuchsplanung in beschränkten Eingangsräumen verwendet wird. Um die Anwendbarkeit bei hochdimensionalen Problemstellungen zu gewährleisten, wird ein Verfahren vorgestellt, das eine Berechnung auch ohne die Bestimmung der exakten konvexen Hülle und konvexen Konen ermöglicht. Des Weiteren werden verschiedene Methoden zur datengetriebenen Modellbildung des Verbrennungsmotors verglichen, wobei das Gauß-Prozess Modell als die geeignetste Modellierungsmethode hervorgeht. Um die bestmögliche Versuchsplanungsmethode bei der Anwendung des Gauß-Prozess Modells zu ermitteln, werden zwei neue Strategien entwickelt und mit verfügbaren Methoden aus der Literatur verglichen. Eine simulationsbasierte Studie zeigt, dass eine angepasste Mutual Information Methode die besten Ergebnisse liefert. Ein neu entwickeltes relevanzbasiertes Verfahren erreicht die zweitbesten Ergebnisse, bietet aber einen geringeren Berechnungsaufwand als das Mutual Information Verfahren. Das Grenzmodell und das relevanzbasierte Verfahren werden in einem multikriteriellen Versuchsplanungsverfahren zusammengeführt, das an die Anforderungen von Messungen an einem Verbrennungsmotorenprüfstand angepasst ist. In einer simulationsbasierten Studie mit sieben bzw. neun Eingangsparametern und jeweils vier Ausgängen konnte eine durchschnittliche Modellqualitätsverbesserung von 36 % und eine mittlere Vergrößerung des vermessenen Eingangsraumvolumens von 65 % im Vergleich zu einer nichtadaptiven raumfüllenden Versuchsplanung gezeigt werden. Das multikriterielle Versuchsplanungsverfahren wurde anhand von Prüfstandsmessungen mit sieben Eingangsparametern verifiziert. Im Vergleich zu einer raumfüllenden Versuchsplanung konnte eine mittlere Modellqualitätsverbesserung über alle acht Ausgänge von 17 % und ein um 34 % vergrößertes vermessenes Eingangsraumvolumen erreicht werden, wodurch die Ergebnisse der Simulationen bestätigt werden konnten.

Knowledge exists: you only have to ?nd it VLSI design has come to an important in?ection point with the appearance of large manufacturing variations as semiconductor technology has moved to 45 nm feature sizes and below. If we ignore the random variations in the manufacturing process, simulation-based design essentially becomes useless, since its predictions will be far from the reality of manufactured ICs. On the other hand, using design margins based on some traditional notion of worst-case scenarios can force us to sacri?ce too much in terms of power consumption or manufacturing cost, to the extent of making the design goals even infeasible. We absolutely need to explicitly account for the statistics of this random variability, to have design margins that are accurate so that we can ?nd the optimum balance between yield loss and design cost. This discontinuity in design processes has led many researchers to develop effective methods of statistical design, where the designer can simulate not just the behavior of the nominal design, but the expected statistics of the behavior in manufactured ICs. Memory circuits tend to be the hardest hit by the problem of these random variations because of their high replication count on any single chip, which demands a very high statistical quality from the product. Requirements of 5–6s (0.

The increasing demands for internal combustion engines with regard to fuel consumption, emissions and driveability lead to more actuators, sensors and complex control functions. A systematic implementation of the electronic control systems requires mathematical models from basic design through simulation to calibration. The book treats physically-based as well as models based experimentally on test benches for gasoline (spark ignition) and diesel (compression ignition) engines and uses them for the design of the different control functions. The main topics are: - Development steps for engine control - Stationary and dynamic experimental modeling - Physical models of intake, combustion, mechanical system, turbocharger, exhaust, cooling, lubrication, drive train - Engine control structures, hardware, software, actuators, sensors, fuel supply, injection system, camshaft - Engine control methods, static and dynamic feedforward and feedback control, calibration and optimization, HiL, RCP, control software development - Control of gasoline engines, control of air/fuel, ignition, knock, idle, coolant, adaptive control functions - Control of diesel engines, combustion models, air flow and exhaust recirculation control, combustion-pressure-based control (HCCI), optimization of feedforward and feedback control, smoke limitation and emission control This book is an introduction to electronic engine management with many practical examples, measurements and research results. It is aimed at advanced students of electrical, mechanical, mechatronic and control engineering and at practicing engineers in the field of combustion engine and automotive engineering.