5 Optimierungstipps für groß angelegte SPS-Modelle

Wichtigste Erkenntnisse

• Große SPS Software sind für Echtzeitanwendungen nur dann sinnvoll, wenn Struktur, Solver-Einstellungen und Datenverarbeitung mit derselben Sorgfalt abgestimmt werden wie der elektrische Entwurf selbst.
• Durch die Vereinfachung der Hierarchie, die Auswahl der richtigen Lösungsstrategie und den Ersatz nicht wesentlicher Detailkomponenten durch reduzierte Modelle lassen sich die Laufzeiten erheblich verkürzen, ohne dass dabei wichtige physikalische Aspekte beeinträchtigt werden.
• Profiling ist eine praktische Methode, um zu sehen, wo Simulationen tatsächlich Zeit verbrauchen. So können Sie sich bei der Optimierung auf bestimmte Subsysteme, Regelkreise und Protokollierungsoptionen konzentrieren, die den größten Einfluss haben.
• Eine sorgfältige Verwaltung von Abtastraten, Zeitmargen und Speichernutzung verbessert sowohl die numerische Genauigkeit als auch den Durchsatz, sodass Sie mehr Szenarien ausführen und aus jedem einzelnen klarere Erkenntnisse gewinnen können.
• SPS Software einen integrierten Workflow für die MATLAB-Modelloptimierung und unterstützt Ingenieure, Lehrkräfte und Forscher dabei, umfangreiche Simulationsmodelle sicher von der Offline-Analyse auf Echtzeit-Zielsysteme zu übertragen.

Jeder Ingenieur, der schon einmal während einer langen Simulation zugesehen hat, wie sich ein Fortschrittsbalken nur mühsam vorwärtsbewegt, weiß, wie quälend ein langsames Modell sein kann. Große SPS Software können sehr detailreich sein, doch diese Komplexität führt oft dazu, dass Echtzeit-Fristen verpasst werden und die Arbeit ins Stocken gerät. Möglicherweise warten Steuerungen auf Signale, sind Prozessoren voll ausgelastet und Hardware-in-the-Loop-Konfigurationen können einfach nicht mithalten. Die Optimierung dieser großen Simulationsmodelle hinsichtlich Geschwindigkeit und Robustheit verwandelt Frustration in vorhersehbare Zeitabläufe, klarere Ergebnisse und entspanntere Testtage.

Energiesysteme , Spezialisten für Leistungselektronik, Netzplaner und Forscher spüren diesen Druck, sobald Modelle über einige Tausend Zustände hinauswachsen. Man benötigt präzises, physikalisch fundiertes Verhalten für Zuleitungen, Umrichter oder Mikronetze, gleichzeitig müssen die Simulationen jedoch noch vor Laborabschluss abgeschlossen sein. Diese Balance wird noch heikler, sobald SPS Software Hardware-Plattformen für Hardware-in-the-Loop- oder Echtzeit-Validierung versorgen. Teams in Wissenschaft und Industrie sehen sich mit Offline-Warteschlangen, eingeschränktem Echtzeitzugriff und höheren Erwartungen an Systemstudien konfrontiert, was jede Modellierungsentscheidung zusätzlich belastet.

„Die Optimierung dieser großen Simulationsmodelle hinsichtlich Geschwindigkeit und Robustheit verwandelt Frustration in vorhersehbare Zeitpläne, sauberere Ergebnisse und ruhigere Testtage.“

Warum die Optimierung umfangreicher SPS Software für die Echtzeitleistung entscheidend ist

Groß angelegte SPS Software entstehen oft zunächst als explorative Studien, die durchweg sehr detailliert sind und bei denen den Kosten für den Solver kaum Beachtung geschenkt wird. Diese Struktur eignet sich zwar für Übernachtläufe auf einer Workstation, doch überschreitet dasselbe Modell in der Regel das Zeitbudget, sobald man einen Echtzeitprozessor als Zielplattform wählt. Jeder zusätzliche Zustand, jede Diskontinuität und jede algebraische Schleife bedeutet zusätzliche Arbeit für den Solver, und dieser Aufwand äußert sich in verpassten Schrittfristen und Jitter. Bei Hardware-in-the-Loop-Arbeiten können diese Überschreitungen Tests stoppen, Regler aus dem Gleichgewicht bringen oder Fehler verbergen, die nur bei korrektem Timing auftreten. Die Optimierung großer Simulationsmodelle in dieser Phase bedeutet, sie so zu gestalten, dass jeder Zeitschritt innerhalb des Echtzeitfensters abgeschlossen wird, während die für Sie relevanten physikalischen Zusammenhänge weiterhin berücksichtigt werden.

Bei der Echtzeitleistung geht es nicht nur um reine Geschwindigkeit, denn die Genauigkeit leidet, wenn der Solver Abstriche macht, um den Zeitplan einzuhalten. Mit schnelleren Modellen können Sie mehr Szenarien durchspielen, Regler über längere Zeiträume belasten und seltene Randfälle testen, die in einem einzelnen Langzeitlauf möglicherweise nie auftreten würden. Sobald die Ergebnisse von Offline- und Echtzeitläufen übereinstimmen, können Sie sicher sein, dass etwaige Fehler auf das Design zurückzuführen sind und nicht auf numerische Artefakte oder überlastete Prozessoren. Diese Kombination aus zeitlicher Zuverlässigkeit und vertrauenswürdigen Wellenformen macht SPS Software von einer reinen Leistungsübung zu einer Grundlage für fundiertere technische Entscheidungen.

5 Optimierungstipps für umfangreiche SPS Software

SPS Software effektive SPS Software beginnt mit einem klaren Überblick darüber, wofür die Simulationszeit tatsächlich aufgewendet wird. Ein Teil dieser Kosten ergibt sich aus der Struktur des Modells, ein anderer Teil aus den Solver-Einstellungen oder den Entscheidungen zur Datenverarbeitung. Kleine strukturelle Änderungen in SPS, insbesondere bei großen Simulationsmodellen, bringen oft größere Vorteile mit sich als ein Hardwarewechsel oder das Hinzufügen weiterer Rechenkerne. Optimierungsmaßnahmen, die sich auf Struktur, Solver, Komponenten, Profiling und Datenverarbeitung konzentrieren, lassen sich in der Regel nahtlos in Ihre bestehenden Abläufe beim Erstellen und Testen von Modellen integrieren.

1. Vereinfachung der Modellhierarchie zur Reduzierung der Solver-Auslastung

Komplexe Hierarchien sind oft die erste versteckte Kostenquelle in SPS-Modellen, die auf MATLAB- und Simulink-Diagrammen aufbauen. Durch die tiefe Verschachtelung von Subsystemen, bedingten Subsystemen und maskierten Komponenten muss die Engine viele Ausführungskontexte verwalten, selbst wenn das elektrische Verhalten einfach bleibt. Durch die Zusammenführung verwandter Blöcke in flachere, gut gruppierte Abschnitte wird dieser Overhead reduziert und die Ausführungsreihenfolge lässt sich leichter nachvollziehen. Sie behalten weiterhin die logische Trennung für Schulungs- oder Dokumentationszwecke bei, während der Solver bei jedem Schritt weniger Ebenen durchlaufen muss. Viele Teams erstellen eine übersichtliche oberste Ebene, die der Struktur des Energiesystems gewidmet ist, und verschieben dann nur die wesentlichen wiederverwendbaren Logiken in Subsysteme mit klarer Benennung und minimaler Verschachtelung.

Große Netz- oder Umrichterstudien umfassen häufig wiederholte Speiseleitungen, Lastbänke oder Umrichterzweige, die dieselbe Struktur aufweisen, sich jedoch in ihren Parametern unterscheiden. Durch die Erstellung parametrisierter Subsysteme für diese Muster können Sie Strukturen an einem Ort optimieren und gleichzeitig eine übermäßige Gruppierung vermeiden, die zu einer zusätzlichen Komplexität führen würde. Sie können auch Ebenen entfernen, die nur der visuellen Darstellung dienen, z. B. Subsysteme, die ausschließlich zum Einrahmen von Blöcken auf dem Bildschirm verwendet werden, und sie durch Anmerkungen oder Bereichsmarkierungen ersetzen. Diese Art der Bereinigung hilft Studenten und Nachwuchsingenieuren, das Modell schneller zu lesen, wodurch Modellierungsfehler reduziert werden, die sich später in instabilen Echtzeitläufen zeigen. Eine strukturierte Hierarchie, die flach, aber klar bleibt, lässt sich leichter auf Hardware-Ziele übertragen und zwischen akademischen oder industriellen Teams austauschen.

2. Verwenden Sie Solver mit variabler Schrittweite effizient für schnellere Simulationen.

Löser mit variabler Schrittweite beschleunigen Offline-SPS-Läufe, indem sie die Zeitschrittweite anpassen, wenn sich Signale langsam ändern. Dennoch müssen sie sorgfältig konfiguriert werden. Lockere Fehlertoleranzen, steife Systeme oder viele schnell schaltende Elemente können zu Schrittunterbrechungen führen, die die Leistungssteigerungen zunichte machen. Beginnen Sie mit den empfohlenen Löser-Einstellungen für Ihre Kombination aus elektrischen und Steuerungskomponenten und verschärfen Sie die Toleranzen nur dort, wo sie sich auf die für Ihre Studie wichtigen Ergebnisse auswirken. Ingenieure erzielen oft erhebliche Verbesserungen bei der MATLAB-Modelloptimierung, indem sie einfach die Schrittgrößen über die Zeit messen und extreme Schwankungen vermeiden, die auf eine Überlastung des Solvers hindeuten. Sobald sich das Offline-Modell gut verhält, können Sie zu einer gleichwertigen Konfiguration mit festem Schritt wechseln, um Echtzeitarbeiten mit weniger Überraschungen durchzuführen.

Bei großen Simulationsmodellen, die langsame elektromechanische Dynamik mit schneller Schalt- oder Schutzlogik kombinieren, sollten Sie eine Aufteilung der Komponenten auf mehrere Solver-Raten in Betracht ziehen. Langsame Zustände wie mechanische Wellendynamik oder gemittelte Gitteräquivalente können längere effektive Schritte verwenden, während Schalt- und Schutzelemente nur bei Bedarf mit kürzeren Schritten ausgeführt werden. Diese Art der Multi-Rate-Strategie reduziert die Anzahl der winzigen Integrationsschritte, die sich sonst über das gesamte System ausbreiten würden. Anschließend können Sie die Genauigkeit mit Zeitbereichsüberlagerungen, Frequenzbereichsvergleichen oder Leistungsbilanzprüfungen validieren, um sicherzustellen, dass die Solver-Optimierung keine wichtigen Verhaltensweisen verdeckt hat. Durch diese strukturierte Iteration bleibt die Wahl des Solvers an die Physik angepasst, anstatt auf Trial-and-Error-Einstellungen zu setzen.

3. Ersetzen Sie detaillierte Komponenten durch gleichwertige vereinfachte Subsysteme.

Hochpräzise Komponentenmodelle sind zwar beruhigend, doch vollständige Schaltmodelle für jeden Wandlerzweig oder detaillierte Netzwerke für jede Zuleitung überlasten schnell die Echtzeitziele. Durchschnittsmodelle, Thévenin-Äquivalente oder Maschinen mit reduzierter Ordnung erfassen oft das gewünschte Verhalten und reduzieren gleichzeitig Zustände und Diskontinuitäten drastisch. Beispielsweise kann eine Gruppe von Photovoltaik-Wechselrichtern, die einen gemeinsamen Bus speisen, eine einzige durchschnittliche Schnittstelle sowie einen kleineren Satz detaillierter Modelle gemeinsam nutzen, die nur dort zum Einsatz kommen, wo Schaltartefakte eine Rolle spielen. Wenn Modelle den Unterricht unterstützen, können Sie detaillierte Ansichten in separaten Subsystemen beibehalten und vereinfachte Äquivalente als Standard für die Leistung anbieten. Die Studierenden lernen weiterhin, wie sich der gesamte Schaltkreis verhält, während die Laborsitzungen auf gemeinsam genutzter Echtzeit-Hardware praktisch bleiben.

Die Vereinfachung funktioniert am besten, wenn sie sich an klaren Fragen orientiert, welche Ergebnisse wichtig sind und welche Eingaben diese Ergebnisse am stärksten beeinflussen. Wenn Ihr Ziel darin besteht, das Verhalten des Reglers für Fehlerszenarien zu validieren, muss das Modell das Fehler-Timing, die Spannungs- und Stromhüllkurven sowie alle Nichtlinearitäten, die die Entscheidungen des Reglers beeinflussen, beibehalten. Kleine Details in entfernten Teilen des Netzwerks oder sekundären Subsystemen tragen oft nur wenig zu diesen Größen bei und können durch einfachere Äquivalente ersetzt werden. Die Dokumentation dieser Entscheidungen direkt im Modell, beispielsweise durch Anmerkungen oder Variablensteuerungen, hilft zukünftigen Anwendern, die Grenzen jeder Konfiguration zu verstehen. Eine klare Begründung für jedes vereinfachte Subsystem gibt den Prüfern und Projektträgern außerdem die Gewissheit, dass Leistungssteigerungen keine wichtigen physikalischen Aspekte verschleiern.

4. Ausführung des Profilmodells zur Identifizierung von Rechenengpässen

Profiling-Tools in MATLAB und Simulink bieten einen konkreten Überblick darüber, wo die Simulationszeit für SPS-Modelle verbraucht wird. Anstatt zu raten, welcher Teil eines großen Diagramms langsam ist, sehen Sie genau, welche Funktionen, Subsysteme und Blöcke die meisten Schritte oder CPU-Zyklen verbrauchen. Ingenieure stellen häufig fest, dass einige wenige oszillierende Regelkreise, Hochfrequenz-Messfilter oder Diagnoseskope einen großen Teil der Laufzeit ausmachen. Das Entfernen unnötiger Protokollierungen, die Vereinfachung der Steuerungslogik oder die Neuanpassung von Filtern an diesen Stellen bringt in der Regel größere Vorteile als pauschale Änderungen am gesamten Modell. Das Profiling deckt auch Teile des Modells auf, die während eines bestimmten Szenarios nie ausgeführt werden, was auf toten Code, ungenutzte Schutzpfade oder Funktionen hindeuten kann, die in separate Testfälle verschoben werden sollten.

Die Echtzeit-Vorbereitung profitiert von der Profilerstellung über mehrere Testfälle hinweg, wie z. B. Normalbetrieb, Fehlerzustände und Startsequenzen. Da manche Engpässe nur bei Grenzzyklen oder in Extremszenarien auftreten, ist es hilfreich, diese Pfade vor der Bereitstellung auf der Hardware zu profilieren. Die Ergebnisse der Profilerstellung können zusammen mit dem Modell gespeichert werden, sodass Teammitglieder frühere Entscheidungen bezüglich der Solverauswahl und der Umstrukturierung von Teilsystemen überprüfen können. Dieser gemeinsame Kontext verhindert wiederholte Optimierungsarbeiten und schafft Vertrauen, dass Optimierungen auf gemessenen Daten und nicht allein auf Intuition basieren. Das Profiling wird Teil der Modellierungskultur, ähnlich wie Tests Software, was die Qualität über Projekte hinweg im Laufe der Zeit verbessert.

5. Daten vorab zuweisen und Signalkontrolle für Speichereffizienz verwalten

Die Speichernutzung schränkt große SPS-Modelle oft eher ein als die reine Berechnung, insbesondere wenn viele Signale im Arbeitsbereich oder in externen Dateien protokolliert werden. Die Protokollierung jeder Wellenform mit voller Auflösung für lange Szenarien erzeugt enorme Datensätze, die sowohl die Simulation als auch die Nachbearbeitung verlangsamen. In der Regel können Sie nur wichtige Ströme, Spannungen und Reglerzustände mit voller Rate beibehalten, während Sie sekundäre Signale dezimieren oder nur bei bestimmten Ereignissen protokollieren. Modellbasierte Protokollierungssteuerungen, Signalgruppen und bedingte Bereiche erleichtern den Wechsel zwischen leichtgewichtigen Debug-Konfigurationen und umfangreicheren Traces, die für detaillierte Untersuchungen verwendet werden. Durch eine moderate Speicherbelegung wird das Risiko von Überläufen auf Echtzeitzielen verringert und die Verzögerung zwischen den Testläufen im Labor verkürzt.

Die Vorabzuweisung von Arrays in MATLAB-Funktionen oder Skripten, die mit Ihren SPS-Modellen verbunden sind, vermeidet kostspieligen Speicherzuwachs während der Simulation. Das Erhöhen von Variablen um jeweils eine Probe innerhalb der Steuerungslogik oder der Datenprotokollierungs-Callbacks zwingt die Engine dazu, wiederholt neuen Speicher anzufordern. Sie können die erforderlichen Größen anhand der erwarteten Simulationsdauer und der Abtastzeiten schätzen, dann einmalig zuweisen und die Puffer für alle Fälle wiederverwenden. Dieser Ansatz sorgt für vorhersehbare Speicherzugriffsmuster und hilft Echtzeit-Schedulern dabei, eine konsistente Leistung aufrechtzuerhalten. Eine saubere Speicherverwaltung lässt sich gut mit guten Protokollierungspraktiken kombinieren, um längere, informativere Testkampagnen ohne häufige Neustarts oder manuelle Bereinigungen zu unterstützen.

SPS Software konsequente SPS Software über Hierarchien, Solver, Komponenten, Profiling und Datenverarbeitung hinweg macht aus umfangreichen Modellen zuverlässige Werkzeuge statt instabiler Experimente. Jede Verbesserung mag für sich genommen gering erscheinen, doch über ein gesamtes Projekt betrachtet verkürzen sie die Simulationszeit oft um ein Vielfaches, nicht nur um einige Prozent. Kürzere, stabilere Läufe machen knappe Echtzeit-Hardware für mehr Nutzer, mehr Szenarien und anspruchsvollere Studien verfügbar. Diese Verbesserung bei Durchsatz und Zuverlässigkeit zahlt sich in reibungsloseren Laborabläufen, klareren Lehrveranstaltungen und einer stärkeren Validierung für Industrieprojekte aus.

„Durch SPS Software konsequente SPS Software über Hierarchien, Solver, Komponenten, Profiling und Datenverarbeitung hinweg werden aus umfangreichen Modellen zuverlässige Werkzeuge statt instabiler Experimente.“

Wie Optimierung die Genauigkeit und den Simulationsdurchsatz in Echtzeitsystemen verbessert

Die Modelloptimierung beginnt oft mit Leistungszielen, hat jedoch auch direkte Auswirkungen auf die Genauigkeit. Schlecht abgestimmte Solver, inkonsistente Abtastung oder überlastete Aufgaben können Wellenformen verzerren, selbst wenn ein Lauf scheinbar pünktlich endet. SPS Software sorgfältige SPS Software hält numerische Fehler, Latenz und Jitter innerhalb bekannter Grenzen, sodass Vergleiche zwischen Offline- und Echtzeitläufen aussagekräftig bleiben. Die Vorteile zeigen sich auf verschiedene konkrete Weisen für Ingenieure, Studenten und Forscher, die mit Echtzeitzielen arbeiten.

• Höhere numerische Genauigkeit: Durch die präzise Steuerung der Solver-Einstellungen werden Integrationsfehler reduziert, sodass Spannungs- und Stromkurven näher an den analytischen Erwartungen liegen. Diese Genauigkeit erleichtert es, kleine Probleme im Regler, wie beispielsweise eine grenzwertige Stabilität oder ein geringfügiges Überschwingen, bereits vor Tests zu erkennen.
• Konsistentere Zeitsteuerung: Optimierte Modelle halten Schrittfristen mit einer gewissen Marge ein, wodurch die Abtastzeitpunkte mit den Annahmen des Controllers übereinstimmen. Eine konsistente Zeitsteuerung vermeidet künstliche Schwankungen, die ausschließlich durch Jitter verursacht werden, sodass Fehler und Ereignisse dann auftreten, wenn Sie sie erwarten.
• Größere Szenarioabdeckung pro Tag: Dank schnellerer Simulationen können Sie mehr Laststufen, Fehlerfälle und Parameterdurchläufe innerhalb desselben Laborslots ausführen. Ein höherer Durchsatz führt zu besseren Statistiken und mehr Sicherheit bei der Präsentation der Ergebnisse vor Kollegen, Vorgesetzten oder Prüfern.
• Einfacherer Vergleich zwischen Offline- und Echtzeitläufen: Wenn sich beide Versionen des Modells ähnlich verhalten, können Sie Offline-Studien nutzen, um Parameterbereiche einzugrenzen, bevor Sie zur Hardware übergehen. Diese Angleichung spart Zeit bei der Einrichtung, reduziert den Debugging-Aufwand und verdeutlicht, welche Unterschiede tatsächlich von der Zielhardware stammen.
• Bessere Auslastung der Hardware: Effiziente Modelle nutzen die begrenzten Ressourcen an Echtzeitprozessoren und Gehäusen besser aus, sodass Teams Plattformen gemeinsam nutzen können, ohne lange Wartezeiten in Kauf nehmen zu müssen. Ingenieure verbringen mehr Zeit Tests und weniger Zeit damit, auf einen freien Platz zu warten, was den Lernprozess und den Projektfortschritt verbessert.
• Klarere Lehr- und Ausbildungsergebnisse: Studierende , die mit reaktionsschnellen Modellen arbeiten, erkennen innerhalb einer einzigen Laborsitzung den Zusammenhang zwischen Theorie und Wellenformen. Diese Unmittelbarkeit hilft dabei, Konzepte zu verinnerlichen, regt zum Experimentieren mit Einstellungen an und schafft Vertrauen für zukünftige Industrieprojekte.

Eine Optimierung, die sowohl die Genauigkeit als auch den Durchsatz verbessert, trägt direkt zu einem besseren technischen Verständnis und sichereren Entscheidungswegen bei. Sie verbringen mehr Zeit mit der Interpretation klarer Ergebnisse und weniger Zeit damit, das Verhalten des Solvers zu hinterfragen oder instabile Fälle erneut durchzuführen. Teams, die diese Vorteile nutzen, stellen oft fest, dass die Simulation zu einem vertrauenswürdigen Bestandteil der Konstruktion und Validierung wird und nicht nur eine vorläufige Überprüfung vor Experimenten ist. Im Laufe der Zeit schaffen gut optimierte SPS-Workflows eine gemeinsame Sprache für Wellenformen, Zeitpuffer und Leistungsziele, die Unterrichtsräume, Forschungslabore und Industrieprojekte miteinander verbindet.

Wie SPS Software Ingenieure bei der Optimierung von Modellen SPS Software

SPS Software bietet Modellierungsteams einen vertrauten MATLAB- und Simulink-Workflow mit leistungsorientierten Bibliotheken, die bereits die Denkweise von Elektroingenieuren in Bezug auf Systeme widerspiegeln. Offene, physikalisch basierte Komponentenmodelle ermöglichen es Ihnen, Gleichungen zu überprüfen, Parameter für lokale Netze oder Wandler anzupassen und den Studierenden genau zu vermitteln, was jeder Block berechnet. Da SPS Software nahtlos in modellbasierte Designabläufe SPS Software , können Sie dieselben Diagramme für Offline-Studien, automatisierte Parameterdurchläufe und die Vorbereitung auf Echtzeit-Ziele verwenden. Diese Kontinuität reduziert Nacharbeiten und bietet sowohl Professoren als auch Ingenieuren eine einheitliche Modellierungssprache, die in Kursen, Forschungsprojekten und angewandten Studien gemeinsam genutzt werden kann. Wenn Modelle auf Echtzeit skaliert werden, können SPS-Anwender auf etablierte Workflows für Hierarchiemanagement, Solver-Tuning und Profiling zurückgreifen, die mit den zuvor beschriebenen Optimierungsschritten übereinstimmen.

Ingenieure, die mit OPAL-RT-Hardware arbeiten, kombinieren SPS Software häufig mit speziellen Echtzeit-Lösern, sodass Optimierungsarbeiten in SPS direkt zu Verbesserungen auf dem Zielsimulator führen. Akademische Labore können Beispielmodelle, Kursunterlagen und Profiling-Vorlagen institutionsübergreifend austauschen, was die Lehre stärkt und gleichzeitig die lokalen Einrichtungen kostengünstig hält. Industrieteams profitieren von derselben Transparenz, wenn sie Modelle aus Machbarkeitsstudien in Hardware-in-the-Loop-Anlagen übertragen, da jede Vereinfachung oder jede Anpassung des Solvers sichtbar und überprüfbar bleibt. Diese Kombination aus offenen Modellen, konsistenten Arbeitsabläufen und klaren Optimierungsverfahren SPS Software einem zuverlässigen Begleiter für Ingenieure, denen sowohl Verständnis als auch Leistung wichtig sind. Teams können darauf vertrauen, dass die in die Feinabstimmung von SPS-Modellen investierte Zeit Jahr für Jahr zu besserer Lehre, glaubwürdigerer Forschung und sichereren industriellen Entscheidungen beiträgt.