Open Access

With the increasing size and complexity of embedded systems, the impact of software on energy consumption is becoming more important. Previous research focused mainly on energy optimization at the hardware level. However, little research has been carried out regarding energy optimization at the software design level. This paper focuses on the software design level and addresses the gap between software and hardware design for embedded systems. This is achieved by proposing a framework for software design patterns, which takes aspects of power consumption and time behavior of the hardware level into account. We evaluate the expressiveness of the framework by applying it to well-known and novel design patterns. Furthermore, we introduce a dimensionless numerical efficiency factor to make possible energy savings quantifiable.

Der Einsatz regenerativer Energien ist eine wichtige Maßnahme zur Minderung von Treibhausgas-Emissionen in der Landwirtschaft und leistet einen Beitrag zur Verbesserung der Wirtschaftlichkeit. Im vorliegenden Fall wird ein Ferkelaufzuchtstall betrachtet, dessen hoher Wärmebedarf aktuell durch spezielle elektrische Wärmelampen gedeckt wird. Zusätzlich besteht regional die Problematik, dass zahlreiche Holzbestände durch den Borkenkäfer befallen sind und somit in nächster Zeit zwangsläufig gefällt werden müssen. Hierdurch fallen die Holzpreise auf den Märkten, weshalb eine Eigennutzung gegenüber dem Brennholzverkauf eine lohnende Alternative darstellt. In einer Machbarkeitsstudie wird eine Solarthermieanlage ausgelegt, die einen Großteil des hohen Wärmebedarfs der Jungtiere decken soll und deren Überschusswärme in den Sommermonaten zur Trocknung des Hackgutes verwendet wird. Die hierdurch getrocknete Biomasse wird zur Deckung des verbleibenden Wärmebedarfes genutzt, wodurch die Anlage nahezu CO2-neutral ist. In einer Variantenstudie werden verschiedene Auslegungsparameter variiert und in Bezug auf Wirtschaftlichkeit diskutiert.

Es werden drei Modellierungsansätze zur Simulation von Laserscannern in Pflanzenbeständen für die Entwicklung umfeldbasierter Fahrzeugfunktionen beschrieben. Das Sensorsignal der Distanzmessung wird dabei anhand realer Messwerte oder phänomenologisch und auf der Basis empirisch ermittelter Kennwerte in Abhängigkeit von objekt- und sensorspezifischen Einflussfaktoren abgebildet. Basierend auf den Methoden zur Simulation von Distanzmesssystemen der Open Source Simulationsumgebung Gazebo wurden die Modellierungsansätze als spezifische Sensor- und Umfeldmodelle implementiert. Die Modelle wurden insbesondere für den Einsatz an mobilen landwirtschaftlichen Arbeitsmaschinen und für die Anwendung in der Getreideernte optimiert.

This article proposes the concept of a simulation framework for environmental sensors with multilevel abstraction in agricultural scenarios. The implementation case study is a simulation of a grain-harvesting scenario enabled by LiDAR sensors. Environmental sensor models as well as kinematics and dynamic behavior of machines are based on the robotics simulator Gazebo. Models for powertrain, machine process aggregates and peripheral simulation components are implemented with the help of MATLAB/ Simulink and with the robotics middleware Robot Operating System (ROS). This article deals with the general concept of a multilevel simulation framework and in particular with sensor and environmental modeling.

In this paper, we evaluate the application of Bayesian Optimization (BO) to discrete event simulation (DES) models. In a first step, we create a simple model, for which we know the optimal set of parameter values in advance. We implement the model in SimPy, a framework for DES written in Python. We then interpret the simulation model as a black box function subject to optimization. We show that it is possible to find the optimal set of parameter values using the open source library GPyOpt. To enhance our evaluation, we create a second and more complex model. To better handle the complexity of the model, and to add a visual component, we build the second model in Simio, a commercial off-the-shelf simulation modeling tool. To apply BO to a model in Simio, we use the Simio API to write an extension for optimization plug-ins. This extension encapsulates the logic of the BO algorithm, which we deployed as a web service in the cloud. The fact that simulation models are black box functions with regard to their behavior and the influence of their input parameters makes them an apparent candidate for Bayesian Optimization (BO). Simulation models are multivariable and stochastic, and their behavior is to a large extent unpredictable. In particular, we do not know for sure which input parameters to adjust to maximize (or minimize) the model’s outcome. In addition, the complex models can take a substantial amount of time to run. Bayesian Optimization is a sequential and self-learning algorithm to optimize black box functions similar to as we find them in simulation models: they contain a set of parameters for which we want to identify the optimal set, they are expensive to evaluate, and they exhibit stochastic noise. BO has proven to efficiently optimize black box functions from varius disciplines. Among those, and most notably, it is successfully applied in machine learning algorithms to optimize hyperparameters.