5 Optimierungstipps für groß angelegte SPS-Modelle

Wichtigste Erkenntnisse

• Große SPS-Softwaremodelle sind für die Echtzeitarbeit nur dann sinnvoll, wenn Struktur, Solver-Einstellungen und Datenverarbeitung mit derselben Sorgfalt abgestimmt werden wie das elektrische Design 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.
• Die SPS-Software bietet einen integrierten Workflow für die MATLAB-Modelloptimierung und unterstützt Ingenieure, Lehrkräfte und Forscher dabei, große Simulationsmodelle zuverlässig von der Offline-Analyse auf Echtzeitziele zu übertragen.

Jeder Ingenieur, der schon einmal während einer langen Simulation den Fortschrittsbalken langsam voranschreiten gesehen hat, weiß, wie frustrierend ein langsames Modell sein kann. Große SPS-Softwaremodelle können sehr detailreich sein, doch diese Komplexität führt oft dazu, dass Echtzeit-Fristen nicht eingehalten werden und die Arbeit ins Stocken gerät. Möglicherweise haben Sie Controller, die auf Signale warten, Prozessoren, die voll ausgelastet sind, und Hardware-in-the-Loop-Setups, die einfach nicht mithalten können. Durch die Optimierung dieser großen Simulationsmodelle hinsichtlich Geschwindigkeit und Robustheit wird Frustration in vorhersehbare Zeitpläne, sauberere Ergebnisse und ruhigere Testtage umgewandelt.

Energiesystemingenieure, Leistungselektronikspezialisten, Netzplaner und Forscher spüren diesen Druck, wenn Modelle über einige Tausend Zustände hinauswachsen. Sie benötigen ein genaues, physikalisch basiertes Verhalten für Speiseleitungen, Umrichter oder Mikronetze, aber Sie benötigen auch Simulationen, die vor Labenschluss abgeschlossen sind. Dieses Gleichgewicht wird noch sensibler, wenn SPS-Software-Modelle Hardware-Plattformen für Hardware-in-the-Loop- oder Echtzeit-Validierungen speisen. Teams in Wissenschaft und Industrie sehen sich mit Offline-Warteschlangen, begrenztem Echtzeitzugriff und höheren Erwartungen an Systemstudien konfrontiert, was jede Modellierungsentscheidung zusätzlich erschwert.

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

Warum die Optimierung groß angelegter SPS-Softwaremodelle für die Echtzeitleistung entscheidend ist

Groß angelegte SPS-Softwaremodelle beginnen oft als explorative Studien, die überall sehr detailliert sind und bei denen die Kosten für den Solver kaum berücksichtigt werden. Diese Struktur eignet sich für Übernachtläufe auf einer Workstation, aber dasselbe Modell überschreitet in der Regel das Zeitbudget, sobald Sie einen Echtzeitprozessor einsetzen. Jeder zusätzliche Zustand, jede Diskontinuität und jede algebraische Schleife bedeutet zusätzliche Arbeit für den Solver, was sich in verpassten Schritt-Deadlines und Jitter niederschlägt. Bei Hardware-in-the-Loop-Arbeiten können diese Überschreitungen Tests stoppen, Steuerungen stören oder Fehler verbergen, die nur bei korrekter Zeitsteuerung auftreten. Die Optimierung großer Simulationsmodelle in dieser Phase bedeutet, sie so zu gestalten, dass jeder Zeitschritt innerhalb des Echtzeitfensters abgeschlossen wird und gleichzeitig die für Sie wichtigen physikalischen Eigenschaften 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, Steuerungen über längere Zeiträume belasten und seltene Randfälle testen, die in einem einzelnen Langzeitlauf möglicherweise nie auftreten würden. Sobald die Ergebnisse aus 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 die Optimierung mit SPS Software von einer reinen Leistungsübung zu einer Grundlage für bessere technische Entscheidungen.

5 Optimierungstipps für groß angelegte SPS-Software-Modelle

Eine effektive Optimierung der SPS-Software beginnt mit einem klaren Überblick darüber, wo die Simulationszeit tatsächlich verbraucht wird. Ein Teil dieser Kosten entsteht durch die Strukturierung des Modells, ein anderer Teil durch die Solver-Einstellungen oder die Wahl der Datenverarbeitung. Kleine strukturelle Änderungen in SPS, insbesondere bei großen Simulationsmodellen, bringen oft größere Vorteile als ein Wechsel der Hardware oder das Hinzufügen von Prozessorkernen. Optimierungsarbeiten, die sich auf Struktur, Solver, Komponenten, Profiling und Datenverarbeitung konzentrieren, lassen sich in der Regel direkt in die Art und Weise integrieren, wie Sie bereits Modelle erstellen und testen.

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 Echtzeitvorbereitung profitiert von der Profilerstellung über mehrere Testfälle hinweg, wie z. B. Normalbetrieb, Fehler und Startsequenzen. Einige Engpässe treten nur während Grenzzyklen oder Randfallszenarien auf, daher ist es hilfreich, diese Pfade vor der Bereitstellung auf der Hardware zu profilieren. Sie können die Profilergebnisse zusammen mit dem Modell speichern, sodass Teammitglieder frühere Entscheidungen zu Solver-Auswahl und Subsystem-Umstrukturierung überprüfen können. Dieser gemeinsame Kontext verhindert wiederholte Abstimmungsarbeiten und schafft Vertrauen, dass Optimierungen auf gemessenen Daten und nicht nur auf Intuition basieren. Die Profilerstellung wird Teil der Modellierungskultur, ähnlich wie Unit-Tests für Software, was die Qualität der Projekte 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.

Durch die konsequente Optimierung der SPS-Software in Bezug auf Hierarchie, Solver, Komponenten, Profiling und Datenverarbeitung werden große Modelle zu zuverlässigen Werkzeugen und nicht zu fragilen Experimenten. Jede einzelne Verbesserung mag für sich genommen gering erscheinen, doch über ein gesamtes Projekt hinweg betrachtet, verkürzen sie die Simulationszeit oft um ein Vielfaches und nicht nur um einige Prozent. Kürzere, stabilere Läufe machen knappe Echtzeit-Hardware für mehr Benutzer, mehr Szenarien und anspruchsvollere Studien verfügbar. Diese Verbesserung des Durchsatzes und der Zuverlässigkeit zahlt sich in reibungsloseren Laborplänen, klareren Lehrveranstaltungen und einer stärkeren Validierung für Industrieprojekte aus.

„Durch die konsequente Optimierung der SPS-Software in Bezug auf Hierarchie, Solver, Komponenten, Profiling und Datenverarbeitung werden große Modelle zu zuverlässigen Werkzeugen statt zu fragilen Experimenten.“

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 Stichproben oder überlastete Aufgaben können Wellenformen verzerren, selbst wenn ein Lauf scheinbar rechtzeitig beendet wird. Eine sorgfältige Optimierung der SPS-Software hält numerische Fehler, Latenz und Jitter innerhalb bekannter Grenzen, sodass Vergleiche zwischen Offline- und Echtzeitläufen aussagekräftig bleiben. Die Vorteile zeigen sich in mehrfacher Hinsicht für Ingenieure, Studenten und Forscher, die mit Echtzeitzielen arbeiten.

• Höhere numerische Genauigkeit: Durch die strenge Kontrolle der Solver-Einstellungen werden Integrationsfehler reduziert, sodass Spannungs- und Stromverläufe näher an den analytischen Erwartungen bleiben. Diese Genauigkeit erleichtert es, kleine Probleme des Reglers, wie marginale Stabilität oder subtile Überschwingungen, vor dem Hardwaretest 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.
• Verbesserte Hardwareauslastung: Effiziente Modelle nutzen begrenzte Echtzeitprozessoren und Gehäuse besser aus, sodass Teams Plattformen ohne lange Wartelisten gemeinsam nutzen können. Ingenieure verbringen mehr Zeit mit dem Testen von Entwürfen und weniger Zeit mit dem Warten auf einen freien Platz, 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 unterstützt

Die SPS-Software bietet Modellierungsteams einen vertrauten MATLAB- und Simulink-Workflow mit leistungsstarken Bibliotheken, die bereits die Denkweise von Elektroingenieuren in Bezug auf Systeme widerspiegeln. Mit offenen, physikbasierten Komponentenmodellen können Sie Gleichungen überprüfen, Parameter für lokale Netze oder Wandler anpassen und den Studenten genau vermitteln, was jeder Block berechnet. Da sich die SPS-Software nahtlos in modellbasierte Design-Abläufe integrieren lässt, können Sie dieselben Diagramme für Offline-Studien, automatisierte Parametersweeps und die Vorbereitung für Echtzeit-Ziele verwenden. Diese Kontinuität reduziert den Nachbearbeitungsaufwand und bietet sowohl Professoren als auch Ingenieuren eine einzige Modellierungssprache, die sie in Kursen, Forschungsprojekten und angewandten Studien gemeinsam nutzen können. Wenn Modelle in Richtung Echtzeit skaliert werden, können SPS-Anwender auf etablierte Workflows für das Hierarchiemanagement, die Solver-Optimierung und die Profilerstellung zurückgreifen, die mit den zuvor beschriebenen Optimierungsschritten übereinstimmen.

Ingenieure, die mit OPAL-RT-Hardware arbeiten, kombinieren häufig SPS-Softwaremodelle 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, wodurch die Lehre verbessert wird und gleichzeitig die lokalen Einrichtungen kostengünstig bleiben. Industrieteams profitieren von derselben Transparenz, wenn sie Modelle aus Machbarkeitsstudien in Hardware-in-the-Loop-Anlagen übertragen, da jede Vereinfachung oder Optimierung des Solvers sichtbar und überprüfbar bleibt. Diese Kombination aus offenen Modellen, konsistenten Arbeitsabläufen und klaren Optimierungspraktiken macht SPS Software zu einem zuverlässigen Begleiter für Ingenieure, denen sowohl Verständnis als auch Leistung wichtig sind. Teams können darauf vertrauen, dass die Zeit, die sie in die Optimierung von SPS-Modellen investieren, Jahr für Jahr zu besserer Lehre, glaubwürdigeren Forschungsergebnissen und sichereren industriellen Entscheidungen beiträgt.