Mechatronic components and systems (MCS) - Exam

Aufgabe 1)

Ein moderner Automobilhersteller möchte ein System entwickeln, das verschiedene Sensoren integriert, um verschiedene physikalische Größen in einem Fahrzeug zu überwachen und zu steuern. Im Folgenden sind vier verschiedene Sensorsysteme beschrieben, die im Fahrzeug verwendet werden sollen. Analysiere und berechne die notwendigen Parameter, um die Effektivität jedes Sensors zu gewährleisten.

a)

Ein Temperatursensor soll die Motortemperatur überwachen. Die gemessene Temperatur ist kritisch, da eine Überhitzung Motorschäden verursachen könnte. Verwende die Spezifikationen eines Widerstandsthermometers (RTD) mit einem Temperaturbereich von -50°C bis 250°C. Der Nennwiderstand des RTDs bei 0°C beträgt 100 Ohm, und der Temperaturkoeffizient beträgt 0,00385 1/°C. Bestimme den Widerstand des RTDs bei einer Motortemperatur von 100°C und 200°C. Berechne anschließend, wie die Auswertungselektronik diesen Widerstand in eine Spannung umwandeln könnte, sofern ein einfacher Spannungsteiler eingesetzt wird.

Lösung:

Um die notwendigen Parameter zu berechnen, müssen wir die Beziehung zwischen Temperatur und Widerstand für einen Widerstandsthermometer (RTD) verwenden. Die Formel lautet:

• Formel: \[ R_T = R_0 (1 + \text{α} \times T) \]
• \( R_T \) handelt sich um den Widerstand bei Temperatur \( T \) in Ohm, \( R_0 \) handelt sich um den Nennwiderstand bei 0°C, was in diesem Fall 100 Ohm ist, und \( \text{α} \) handelt sich um den Temperaturkoeffizienten, was in diesem Fall 0,00385 1/°C ist.

Berechnung des Widerstands bei 100°C:

• Einsetzen der Werte in die Formel: \[ R_{100} = 100 \times (1 + 0,00385 \times 100) \]
• Berechnung: \[ R_{100} = 100 \times (1 + 0,385) = 100 \times 1,385 = 138,5 \text{ Ohm} \]

Berechnung des Widerstands bei 200°C:

• Einsetzen der Werte in die Formel: \[ R_{200} = 100 \times (1 + 0,00385 \times 200) \]
• Berechnung: \[ R_{200} = 100 \times (1 + 0,77) = 100 \times 1,77 = 177 \text{ Ohm} \]

Nachdem wir die Widerstände bei den gegebenen Temperaturen berechnet haben, müssen wir den einfachen Spannungsteiler betrachten, um zu verstehen, wie die Auswertungselektronik diesen Widerstand in eine Spannung umwandeln kann.

Im einfachsten Fall kann die Schaltung wie folgt aussehen:

• Ein Referenzwiderstand \( R_{\text{ref}} \)
• Der RTD-Widerstand \( R_T \)
• Eine Eingangsspannung \(V_{\text{in}} \)
• Die ausgegebene Spannung \( V_{\text{out}} = \frac{V_{\text{in}} \times R_T}{R_T + R_{\text{ref}}} \)

Berechnen der Ausgangsspannung für \( R_T = 138,5 \text{ Ohm} \) und \( R_{\text{ref}} = 100 \text{ Ohm} \) mit \( V_{\text{in}} = 5 \text{ V} \):

• \[ V_{out} = \frac{5 \times 138,5}{138,5 + 100} \]
• \[ V_{out} = \frac{692,5}{238,5} \]
• \[ V_{out} \text{ (bei 100°C)} = 2,903 \text{ V} \]

Berechnen der Ausgangsspannung für \( R_T = 177 \text{ Ohm} \) und \( R_{\text{ref}} = 100 \text{ Ohm} \) mit \( V_{\text{in}} = 5 \text{ V} \):

• \[ V_{out} = \frac{5 \times 177}{177 + 100} \]
• \[ V_{out} = \frac{885}{277} \]
• \[ V_{out} \text{ (bei 200°C)} = 3,195 \text{ V} \]

b)

Um den Druck im Reifen zu überwachen, wird ein kapazitiver Drucksensor eingesetzt. Der Drucksensor hat eine Kapazität von 50 pF bei 1 Bar und eine Kapazität von 75 pF bei 3 Bar. Leite die Beziehung zwischen Kapazität und Druck her und bestimme die Kapazität bei einem Druck von 2,5 Bar. Beschreibe außerdem ein mögliches Messsystem, das diese Kapazitätsänderungen in ein Spannungs- oder Frequenzsignal umwandeln kann.

Lösung:

Um die Beziehung zwischen Kapazität und Druck herzuleiten, betrachten wir die gegebenen Werte:

• Kapazität bei 1 Bar: \(C_1 = 50 \text{ pF}\)
• Kapazität bei 3 Bar: \(C_3 = 75 \text{ pF}\)
• Druck bei \(C_1\): \(P_1 = 1 \text{ Bar}\)
• Druck bei \(C_3\): \(P_3 = 3 \text{ Bar}\)

Wir nehmen an, dass die Beziehung zwischen Kapazität und Druck linear ist. Daher können wir die Steigung \(m\) und den y-Achsenabschnitt \(b\) der Geradengleichung herleiten.

• Allgemeine Formel: \[C = mP + b\]
• Berechnung der Steigung \(m\): \[m = \frac{C_3 - C_1}{P_3 - P_1} = \frac{75 \text{ pF} - 50 \text{ pF}}{3 \text{ Bar} - 1 \text{ Bar}} = \frac{25 \text{ pF}}{2 \text{ Bar}} = 12,5 \text{ pF/Bar}\]
• Berechnung des y-Achsenabschnitts \(b\): \[b = C_1 - mP_1 = 50 \text{ pF} - 12,5 \text{ pF/Bar} \times 1 \text{ Bar} = 37,5 \text{ pF}\]
• Endgültige Gleichung: \[C = 12,5 \times P + 37,5\]

Berechnung der Kapazität bei einem Druck von 2,5 Bar:

• Einsetzen des Drucks in die Gleichung: \[C_{2.5} = 12,5 \times 2,5 + 37,5\]
• Berechnung: \[C_{2.5} = 31,25 + 37,5 = 68,75 \text{ pF}\]

Um die Kapazitätsänderungen in ein Spannungs- oder Frequenzsignal umzuwandeln, kann man eine kapazitive Brückenschaltung oder einen Oszillator verwenden:

Kapazitive Brückenschaltung:

• Die Kapazitive Brückenschaltung besteht aus einem Spannungsteiler mit Kondensatoren, wobei die gemessene Kapazität als eine der Komponenten der Brücke verwendet wird.
• Wenn sich die Kapazität ändert, ändert sich das Verhältnis, und damit die Spannung an einem bestimmten Punkt der Schaltung.
• Diese Spannung kann dann von einem Analog-Digital-Wandler (ADC) gelesen und weiterverarbeitet werden.

Oszillator-Schaltung:

• Ein kapazitiver Drucksensor kann auch Teil eines frequenzabhängigen Oszillators sein.
• Ein RC-Oszillator oder ein LC-Oszillator kann verwendet werden, wobei die Kapazität des Sensors die Frequenz des Oszillators bestimmt.
• Die Frequenzänderung kann dann durch einen Frequenzzähler oder ein Mikrocontroller-System gemessen werden.

c)

Ein Beschleunigungssensor soll die Beschleunigung des Fahrzeugs messen, um die Sicherheitssysteme wie den Airbag zu aktivieren. Ein piezoelektrischer Sensor mit einer Empfindlichkeit von 5 mV/g ist ausgewählt. Wenn der Sensor eine Spannung von 0,015 V ausgibt, bestimme die erfasste Beschleunigung. Angenommen, die maximale Beschleunigung, die sicher gemessen werden kann, beträgt 50 g, welche Ausgangsspannung würde in diesem Fall vom Sensor geliefert werden? Diskutiere weiterhin die Auswirkungen von Störbeschleunigungen (z.B. durch Fahrbahnunebenheiten) auf das Messergebnis.

Lösung:

Um die erfasste Beschleunigung zu bestimmen, verwenden wir die Empfindlichkeit des Sensors. Die Empfindlichkeit gibt an, wie viel Spannung (in Millivolt) der Sensor pro Einheit der Beschleunigung (in g) erzeugt:

• Empfindlichkeit: 5 mV/g
• Ausgegebene Spannung: 0,015 V (15 mV)

Berechnung der erfassten Beschleunigung:

• Um die Beschleunigung zu berechnen, verwenden wir den direkten Proportionalitätsfaktor: \[ \text{Beschleunigung} = \frac{\text{ausgegebene Spannung}}{\text{Empfindlichkeit}} \]
• Einsetzen der Werte: \[ \text{Beschleunigung} = \frac{15 \text{ mV}}{5 \text{ mV/g}} = 3 \text{ g} \]

Der Sensor erfasst daher eine Beschleunigung von 3 g.

Um die Ausgangsspannung bei der maximalen Messbeschleunigung von 50 g zu berechnen, verwenden wir erneut die Empfindlichkeit:

• Maximale Beschleunigung: 50 g
• Empfindlichkeit: 5 mV/g

Berechnung der Ausgangsspannung:

• Um die Spannung zu berechnen, multiplizieren wir die Beschleunigung mit der Empfindlichkeit: \[ \text{Ausgangsspannung} = \text{Beschleunigung} \times \text{Empfindlichkeit} \]
• Einsetzen der Werte: \[ \text{Ausgangsspannung} = 50 \text{ g} \times 5 \text{ mV/g} = 250 \text{ mV} = 0,25 \text{ V} \]

Bei einer maximalen Beschleunigung von 50 g würde der Sensor also eine Ausgangsspannung von 0,25 V liefern.

Diskussion über die Auswirkungen von Störbeschleunigungen:

• Fahrbahnunebenheiten: Störbeschleunigungen durch Fahrbahnunebenheiten können die Messergebnisse verfälschen. Solche Störungen können kurzfristige Spitzen in der gemessenen Beschleunigung verursachen, die nichts mit der tatsächlichen Fahrzeugbeschleunigung in Längsrichtung zu tun haben.
• Signalverarbeitung: Um die Effekte solcher Störungen zu minimieren, ist eine geeignete Signalverarbeitung erforderlich. Dazu gehören:
• Filtern der Signale, um hochfrequente Störungen zu reduzieren (z.B. Tiefpassfilter).
• Mittelung über einen Zeitraum, um zufällige Schwankungen zu glätten.
• Implementierung von Algorithmen, die plötzliche Spitzen erkennen und ignorieren können, wenn sie als Störsignal identifiziert werden.
• Sicherheitskritische Systeme: In sicherheitskritischen Systemen wie Airbags ist es wichtig, dass der Sensor und die Signalverarbeitung zuverlässig arbeiten, um Fehlmessungen zu vermeiden, die zu falschen Auslösungen oder einem Versagen führen könnten.

d)

In dem Fahrzeug wird ein Glukosesensor für Notfallmedizin eingesetzt, um den Blutzuckerspiegel des Fahrers in kritischen Situationen zu überwachen. Ein amperometrischer Glukosesensor liefert einen Strom, der proportional zur Glukosekonzentration ist. Bei 100 mg/dL Glukose entstehen 10 nA Strom. Bestimme den Strom für eine Glukosekonzentration von 150 mg/dL und 200 mg/dL. Welche Maßnahmen könnten ergriffen werden, um den Sensor regelmäßig zu kalibrieren und die Messgenauigkeit zu gewährleisten?

Lösung:

Um den Strom für verschiedene Glukosekonzentrationen zu berechnen, verwenden wir die Proportionalität des amperometrischen Glukosesensors. Der Sensor gibt an, dass bei 100 mg/dL Glukose 10 nA Strom fließen. Dies gibt uns die Proportionalitätskonstante.

Proportionalitätskonstante:

• \(k\) ist die Proportionalitätskonstante, und wir wissen:\[ k = \frac{10 \text{ nA}}{100 \text{ mg/dL}} = 0,1 \text{ nA/(mg/dL)} \]

Wir verwenden diese Konstante, um den Strom für andere Glukosekonzentrationen zu berechnen:

Berechnung des Stroms bei einer Glukosekonzentration von 150 mg/dL:

• Formel: \[I = k \times \text{Konzentration} \]
• Einsetzen der Werte: \[I_{150} = 0,1 \text{ nA/(mg/dL)} \times 150 \text{ mg/dL} = 15 \text{ nA}\]

Berechnung des Stroms bei einer Glukosekonzentration von 200 mg/dL:

• Einsetzen der Werte: \[I_{200} = 0,1 \text{ nA/(mg/dL)} \times 200 \text{ mg/dL} = 20 \text{ nA}\]

Der Sensor gibt daher bei 150 mg/dL Glukose einen Strom von 15 nA und bei 200 mg/dL einen Strom von 20 nA ab.

Maßnahmen zur Kalibrierung und Gewährleistung der Messgenauigkeit des Glukosesensors:

• Regelmäßige Kalibrierung: Es ist wichtig, den Sensor regelmäßig mit bekannten Referenzlösungen zu kalibrieren. Diese Lösungen sollten bekannte und präzise Glukosekonzentrationen haben.
• Temperaturkompensation: Die Sensorleistung kann temperaturabhängig sein. Implementiere Temperaturkompensation, um Messungen unabhängig von Temperaturschwankungen zu halten.
• Wartung und Reinigung: Der Sensor sollte regelmäßig gewartet und gereinigt werden, um jegliche Kontamination oder Ablagerungen zu verhindern, die die Messleistung beeinträchtigen könnten.
• Driftkontrolle: Überprüfe regelmäßig, ob es eine Drift im Ausgangssignal gibt, und führe eine Korrekturkalibrierung durch, wenn sich der Sensor kalibriert verändert.
• Validierung: Verifiziere die Funktion des Sensors in verschiedenen Umgebungen und unter verschiedenen Bedingungen, um sicherzustellen, dass er unter allen Betriebsbedingungen gleich bleibt.
• Online-Überwachung: Implementiere Systeme zur Echtzeitüberwachung und -kalibrierung, z.B. mit einer Kalibrierungshardware, um kontinuierlich zuverlässige Messungen zu gewährleisten.

Aufgabe 2)

Signalverarbeitung und -analyse in mechatronischen Systemen: Ein mechatronisches System überwacht und steuert einen Prototyp eines autonomen Fahrzeugs. Dazu werden verschiedene Signale verarbeitet, um Daten über die Fahrzeuggeschwindigkeit, die Umgebung und die Fahrzeugposition zu sammeln.Das System verwendet sowohl Analog- als auch Digitalsignale. Ein Tiefpassfilter wird verwendet, um hochfrequentes Rauschen aus den Sensorsignalen zu entfernen. Um die Frequenzanalyse der Sensorsignale durchzuführen, wird die Fourier-Transformation eingesetzt. Damit die Abtastung der Signale ausreichend genau ist, wird das Nyquist-Abtastungstheorem berücksichtigt. Zur Sicherung der Signalintegrität und zur Vermeidung von Verzerrungen werden verschiedene Maßnahmen ergriffen. Echtzeitverarbeitung spielt eine wesentliche Rolle, da die Signale zeitkritisch verarbeitet werden müssen, um eine sichere Steuerung des Fahrzeugs zu gewährleisten.

a)

Erläutere den Unterschied zwischen Analog- und Digitalsignalen und das Prinzip des Übergangs von einem analogen zu einem digitalen Signal. Warum ist dieser Übergang für die Signalverarbeitung in mechatronischen Systemen wichtig?

Lösung:

Erläutere den Unterschied zwischen Analog- und Digitalsignalen und das Prinzip des Übergangs von einem analogen zu einem digitalen Signal. Warum ist dieser Übergang für die Signalverarbeitung in mechatronischen Systemen wichtig?Um den Unterschied zwischen Analog- und Digitalsignalen sowie den Übergang von analogen zu digitalen Signalen zu verstehen, müssen wir mehrere Aspekte betrachten:

• Analogsigane: Analoge Signale sind kontinuierlich in der Zeit und können jeden beliebigen Wert in einem bestimmten Bereich annehmen. Ein typisches Beispiel ist das Signal eines Temperatursensors, das sich ständig ändert und jede Temperatur zwischen einem Minimum und Maximum darstellen kann.
• Digitalsignale: Digitale Signale sind diskrete Signale, die nur bestimmte Werte zu bestimmten Zeitpunkten annehmen können. Ein digitales Signal wird durch eine Reihe von Bits dargestellt. Zum Beispiel kann der Zustand eines Schalters durch 0 (aus) oder 1 (ein) beschrieben werden.

• Abtastung (Sampling): Das kontinuierliche analoge Signal wird in diskrete Zeitpunkte zerlegt. Dies geschieht in regelmäßigen Abständen, die Abtastrate genannt werden. Laut dem Nyquist-Abtastungstheorem muss die Abtastrate mindestens doppelt so hoch sein wie die höchste Frequenz des analogen Signals, um ein verzerrungsfreies digitales Signal zu gewährleisten.
• Quantisierung: Die Amplitude des Signals wird in diskrete Werte umgewandelt. Dies erfolgt durch das Einteilen der Signalwerte in eine begrenzte Anzahl von Stufen.
• Codierung: Die quantisierten Werte werden in eine Binärform umgewandelt, die vom Computer verarbeitet werden kann. Jede quantisierte Amplitude wird durch eine bestimmte Abfolge von Bits dargestellt.

• Verarbeitbarkeit: Digitale Signale können leicht von Computern und Mikrocontrollern verarbeitet werden. Dies ermöglicht die Anwendung komplexer Algorithmen und Echtzeitverarbeitung.
• Rauschunterdrückung und Signalqualität: Digitalsignale sind weniger anfällig für Rauschen und Verzerrungen als analoge Signale, was zu einer höheren Genauigkeit und Zuverlässigkeit führt.
• Speicherung und Übertragung: Digitalsignale lassen sich einfacher speichern und über weite Entfernungen ohne Qualitätsverlust übertragen.
• Anpassungsfähigkeit: Digitale Systeme können leicht programmiert und optimiert werden, um auf verschiedene Sensordaten und Steueralgorithmen zu reagieren. Dies ist essenziell für die Sicherheit und Effizienz autonomer Fahrzeuge.

b)

Gegeben ist ein analoges Signal mit einem Frequenzbereich von 0 bis 5 kHz. Du möchtest dieses Signal digitalisieren. Bestimme die minimale Abtastrate gemäß dem Nyquist-Abtastungstheorem und begründe Deine Berechnung. Weiterhin soll ein Tiefpassfilter mit einer Grenzfrequenz von 5 kHz verwendet werden, um das Signal vor der Digitalisierung zu filtern. Welche Rolle spielt dieser Filter in Bezug auf das Abtastungstheorem?

Lösung:

Gegeben ist ein analoges Signal mit einem Frequenzbereich von 0 bis 5 kHz. Du möchtest dieses Signal digitalisieren. Bestimme die minimale Abtastrate gemäß dem Nyquist-Abtastungstheorem und begründe Deine Berechnung. Weiterhin soll ein Tiefpassfilter mit einer Grenzfrequenz von 5 kHz verwendet werden, um das Signal vor der Digitalisierung zu filtern. Welche Rolle spielt dieser Filter in Bezug auf das Abtastungstheorem?Um die minimale Abtastrate für ein analoges Signal festzulegen, wenden wir das Nyquist-Abtastungstheorem an. Das Theorem besagt, dass die Abtastrate mindestens doppelt so hoch sein muss wie die höchste Frequenz im Signal, um Aliasing zu vermeiden.Formel des Nyquist-Abtastungstheorems:

• Abtastrate (\textit{f_A}) = 2* höchste Frequenz (f_max)

• \textit{f_A} = 2* 5 kHz= 10 kHz

• Vermeidung von Aliasing: Der Tiefpassfilter entfernt Frequenzen oberhalb von 5 kHz, die Aliasing verursachen könnten. Durch die Begrenzung des Frequenzspektrums wird sichergestellt, dass die Abtastung mit der festgelegten Abtastrate (10 kHz) korrekt durchgeführt werden kann.
• Signalreinigung: Der Filter entfernt hochfrequentes Rauschen, das Oberhalb der Nyquist-Frequenz (5 kHz) liegt. Dadurch wird die Qualität des abgetasteten Signals verbessert und eine genauere digitale Darstellung ermöglicht.
• Konformität mit Nyquist-Abtastungstheorem: Durch die Begrenzung des Frequenzbereichs des Signals auf 0-5 kHz stellt der Tiefpassfilter sicher, dass die Bedingungen des Nyquist-Abtastungstheorems erfüllt sind. Dies bedeutet, dass die Abtastung keine Verzerrungen oder Informationsverlust durch Aliasing erleidet.

c)

Ein Fourier-Transformationsalgorithmus wird angewendet, um die Frequenzkomponenten eines digitalen Signals zu analysieren. Erläutere dies mit einem Beispiel. Angenommen, das Signal besteht aus einer Überlagerung von zwei Sinuswellen mit Frequenzen von 1 kHz und 3 kHz. Skizziere, wie das Frequenzspektrum aussieht und erkläre die Vor- und Nachteile der Fourier-Transformation in der Signalverarbeitung.

Lösung:

Ein Fourier-Transformationsalgorithmus wird angewendet, um die Frequenzkomponenten eines digitalen Signals zu analysieren. Erläutere dies mit einem Beispiel. Angenommen, das Signal besteht aus einer Überlagerung von zwei Sinuswellen mit Frequenzen von 1 kHz und 3 kHz. Skizziere, wie das Frequenzspektrum aussieht und erkläre die Vor- und Nachteile der Fourier-Transformation in der Signalverarbeitung.Die Fourier-Transformation ist eine mathematische Methode, die es erlaubt, ein Zeitsignal in seine Frequenzkomponenten zu zerlegen. Diese Methode ist in der Signalverarbeitung äußerst nützlich, da sie ermöglicht, die im Signal enthaltenen Frequenzen zu identifizieren und zu analysieren.Beispiel:Angenommen, wir haben ein digitales Signal, das sich aus der Überlagerung von zwei Sinuswellen mit Frequenzen von 1 kHz und 3 kHz zusammensetzt. Mathematisch kann dieses Signal durch die folgende Gleichung beschrieben werden:

• A(t) = sin(2 π × 1 kHz × t) + sin(2 π × 3 kHz × t)

• 0 Hz: Amplitude 01 kHz: Hohe Amplitude3 kHz: Hohe AmplitudeAlle anderen Frequenzen: Amplitude 0

• Frequenzanalyse: Die Fourier-Transformation ermöglicht die genaue Analyse und Identifizierung von Frequenzkomponenten, was für die Steuerung und Analyse mechatronischer Systeme entscheidend ist.
• Filterung und Rauschunterdrückung: Durch die Identifikation unerwünschter Frequenzen können diese gezielt gefiltert werden, um das Signal zu bereinigen.
• Echtzeitanalyse: Sie ist essenziell für Echtzeitanwendungen wie die Steuerung autonomer Fahrzeuge.

• Rechenaufwand: Die Fourier-Transformation, insbesondere die diskrete Fourier-Transformation (DFT), kann einen erheblichen Rechenaufwand erfordern, besonders bei großen Datensätzen. Algorithmen wie die schnelle Fourier-Transformation (FFT) können den Rechenaufwand jedoch erheblich reduzieren.
• Zeitauflösung: Die Fourier-Transformation liefert keine Informationen darüber, wann bestimmte Frequenzen auftreten. In Situationen, in denen eine genaue Zeitauflösung erforderlich ist, sind Verfahren wie die Kurzzeit-Fourier-Transformation oder die Wavelet-Transformation besser geeignet.
• Fenstereffekte: Bei der Analyse endlicher Signale können Fenstereffekte auftreten, die Verzerrungen in den Ergebnissen verursachen. Durch die Wahl eines geeigneten Fensters können diese Effekte minimiert werden.

Aufgabe 4)

Du bist verantwortlich für die Implementierung eines Regelkreises in einem autonomen Fahrzeug. In diesem Regelkreis wird ein Ultraschallsensor verwendet, um den Abstand zu einem Hindernis zu messen, und ein Motor-Aktor, der die Geschwindigkeit des Fahrzeugs steuert. Der Ultraschallsensor liefert ein analoges Signal, das in der Fahrzeugelektronik verarbeitet werden muss, um eine digitale Signalverarbeitung durchführen zu können. Der Regelkreis arbeitet in einem CAN-Bus-System zur Kommunikation zwischen den Komponenten.

a)

Beschreibe den gesamten Signalverarbeitungsweg des Ultraschallsensors von der Erfassung des analogen Signals bis zur digitalen Verarbeitung und Steuerung des Motors über den CAN-Bus. Gehe dabei auf die einzelnen Schritte und die eingesetzte Hardware ein.

Lösung:

Signalverarbeitungsweg des UltraschallsensorsDieser Abschnitt beschreibt den gesamten Signalverarbeitungsweg eines Ultraschallsensors in einem autonomen Fahrzeug, von der Erfassung des analogen Signals bis zur digitalen Verarbeitung und Steuerung des Motors über den CAN-Bus. Der Prozess umfasst mehrere Schritte und verschiedene Hardwarekomponenten:1. Erfassung des analogen SignalsDer Ultraschallsensor sendet Ultraschallwellen aus und empfängt die reflektierten Signale von einem Hindernis. Das empfangene Signal ist analog und wird in Form einer Spannung dargestellt.2. Analog-Digital-Wandler (ADC)Um das analoge Signal digital verarbeiten zu können, muss es durch einen Analog-Digital-Wandler (ADC) geleitet werden. Der ADC konvertiert das analoge Spannungssignal in einen digitalen Wert, der von der Fahrzeugelektronik weiterverarbeitet werden kann. Dieser digitale Wert repräsentiert die Entfernung zum Hindernis.3. MikrocontrollerDer Mikrocontroller empfängt den digitalen Wert vom ADC. Er ist verantwortlich für die Verarbeitung der Daten und für die Berechnung der notwendigen Regelantwort. Der Mikrocontroller verwendet ein Regelalgorithmus (z.B. PID-Regler), um die gewünschte Geschwindigkeit des Fahrzeugs in Abhängigkeit vom gemessenen Abstand zum Hindernis zu bestimmen.4. CAN-Bus-SchnittstelleDie berechneten Steuerbefehle (z.B. die gewünschte Geschwindigkeit) müssen über den CAN-Bus an den Motor-Aktor gesendet werden. Die CAN-Bus-Schnittstelle stellt sicher, dass die Daten korrekt formatiert, gesendet und empfangen werden. Der CAN-Bus ist ein robustes Kommunikationssystem, das speziell für den Einsatz in Fahrzeugen entwickelt wurde.5. Motor-AktorDer Motor-Aktor empfängt die Steuerbefehle über den CAN-Bus und passt die Geschwindigkeit des Fahrzeugs entsprechend an. Der Motor-Aktor besteht in der Regel aus einem Leistungstransistor oder einem Motorcontroller, der die Bewegung des Fahrzeugs steuert.6. RückkopplungsschleifeDer gesamte Regelkreis arbeitet in einer Rückkopplungsschleife. Der Ultraschallsensor misst kontinuierlich die Entfernung zum Hindernis, und der Mikrocontroller passt ständig die Geschwindigkeit des Fahrzeugs an. Diese Schleife stellt sicher, dass das Fahrzeug sicher und effizient auf Änderungen im Abstand zum Hindernis reagiert.

• Erfassung des analogen Signals durch den Ultraschallsensor
• Umwandlung des analogen Signals in ein digitales Signal durch den ADC
• Verarbeitung der Daten durch den Mikrocontroller
• Übertragung der Steuerbefehle über den CAN-Bus
• Anpassung der Fahrgeschwindigkeit durch den Motor-Aktor
• Kontinuierliche Rückkopplung und Anpassung durch den Regelkreis

b)

Entwickle und beschreibe den erforderlichen Steuerungsalgorithmus (idealerweise in einer Programmiersprache Ihrer Wahl, z.B. Python), um die Geschwindigkeit des Fahrzeugs basierend auf der Entfernung zum Hindernis in einem Regelkreis zu steuern. Achte darauf, wie Fehlerdiagnose und Redundanz berücksichtigt werden.

Lösung:

Entwicklung des SteuerungsalgorithmusIn dieser Aufgabe geht es darum, einen Steuerungsalgorithmus zu entwickeln, der die Geschwindigkeit des Fahrzeugs basierend auf der Entfernung zum Hindernis in einem Regelkreis steuert. Es werden Fehlerdiagnose und Redundanz berücksichtigt. Als Programmiersprache wird Python verwendet.Der Algorithmus verwendet einen PID-Regler (proportional, integral, differential), um die gewünschte Geschwindigkeit des Fahrzeugs zu berechnen. Der PID-Regler ist bekannt für seine Fähigkeit, auf Änderungen im System dynamisch und effizient zu reagieren.• PID-Regler: Ein PID-Regler berechnet die Regelgröße basierend auf drei Komponenten: dem proportionale (P), dem integralen (I) und dem differentiellen (D) Anteil. Der Regler gleicht Abweichungen zwischen dem Sollwert (gewünschte Geschwindigkeit) und dem Istwert (gemessene Entfernung zum Hindernis) aus.

import time  # Für die Simulation von Zeitvergehen zwischen den Messungen und Berechnungen vorhanden ist.                                      class PIDController:

• def __init__(self, Kp, Ki, Kd, set_point, dt):
• self.Kp = Kp # Proportionaler Koeffizient
• self.Ki = Ki # Integraler Koeffizient
• self.Kd = Kd # Differentieller Koeffizient
• self.set_point = set_point # Sollwert von der Geschwindigkeit
• self.dt = dt # Zeitintervall
• self.integral = 0 # Integral Bestandteil
• self.previous_error = 0 # Vorheriger Fehlerwert zur Differenzbildung
• def update(self, measured_value):
• error = self.set_point - measured_value
• self.integral += error * self.dt
• derivative = (error - self.previous_error) / self.dt
• output = (self.Kp * error) + (self.Ki * self.integral) + (self.Kd * derivative)
• self.previous_error = error
• return output

# Fehlerdiagnose und Redundanzclass Sensor: def __init__(self):self.readings = []  # Speichert Sensor Messwerte für Redundanzprüfungsa)                                  def get_distance(self):                                    

• # Simuliere das Lesen eines neuen Messwerts
• new_reading = self.read_sensor()
• # Funktion zur Simulation
• self.readings.append(new_reading)

 # Simulation dieses Wertes im Algorithmusfree_sensor def_valing>