Forschungsprojekte

Identifikation & Regelung

  • simTrailer - Vollständige, modellbasierte Trailer-Zustandsüberwachung
    Im Rahmen des Projekts simTrailer werden online-fähige Methoden zur modellbasierten Zustandsüberwachung des Trailers erarbeitet, um einen möglichst effizienten Einsatz von Sensorik zu gewährleisten.
    Team: Zygimantas Ziaukas, M .Sc.
    Jahr: 2017
    Förderung: BPW Bergische Achsen KG
  • IdenT - Identifikation dynamik- und sicherheitsrelevanter Trailerzustände für automatisiert fahrende Lastkraftwagen
    Vor allem im Bereich der Nutzfahrzeuge ist das wirtschaftliche Potential von automatisiert fahrenden Lastkraftwagen besonders hoch. Damit dieses Vorhaben gelingen kann, muss der LKW-Anhänger (sog. Trailer) deutlich intelligenter werden, als er heute ist. Während das Zugfahrzeug serienmäßig mit viel Sensorik ausgestattet ist, gibt es im Trailer noch deutlichen Nachholbedarf. Im Rahmen dieses Projekts soll mit mehreren Projektpartnern aus Forschung und Industrie erarbeitet werden, wie durch Einsatz von zusätzlicher Sensorik im Trailer die fahrdynamischen und sicherheitsrelevanten Zustände berechnet bzw. geschätzt werden können, um diese anschließend an das Zugfahrzeug weiterzugeben. Ein weiterer Aspekt des Projekts ist die Beurteilung von verschleißbehafteten Komponenten im Trailer wie z.B. Reifen oder Bremsen, um eine Vorhersage zu treffen, wann die Komponenten ausgewechselt werden müssen. Dazu wird ein Online-Zwilling erstellt, der während der Fahrt auf einer Recheneinheit im Trailer fahrdynamische Zustände schätzt. Weiterhin sollen Informationen über die Fahrbahnbeschaffenheit gesammelt und mit Kameras der Rückraum überwacht werden. Die online gesammelten Informationen werden über eine Cloud-Infrastruktur an einen Offline-Zwilling gesendet, der dann mit Hilfe von detaillierten Fahrzeug-Modellen den Komponentenverschleiß berechnet und an den Online-Zwilling zurück sendet. Das Imes wird sich im Rahmen dieses Projekts hauptsächlich mit der Entwicklung des Online-Zwillings erfassen und setzt für die Online-Informationsgenerierung Methoden der fahrdynamischen Modellierung, des maschinellen Lernens und der Informationsfusion ein.
    Team: Simon Ehlers, Zygimantas Ziaukas
    Jahr: 2020
    Förderung: Bundesministerium für Wirtschaft und Energie
    Laufzeit: 3 Jahre
  • SyMoLearn - Physikalische Modellierung & Maschinelles Lernen: Symbiose zur Optimierung mechatronischer Systeme
    Modellbasierte Verfahren haben in den vergangenen Jahrzehnten innerhalb der Ingenieurswissenschaften und somit auch der Mechatronik zu einer weitreichenden Gütesteigerung dynamischerSysteme geführt. Die häufig verwendete pysikalische Modellbildung erhöht das Systemverständnis und ermöglicht damit eine Verbesserung der Beobachter- und Regelungsstrukturen. Die Genauigkeit der Modellierung ist dabei prinzipbedingt auf den Detailgrad der physikalischen Modelle beschränkt. Eine Genauigkeitssteigerung würde nur mit erhöhtem Detailgrad und somit höherem Rechenaufwand möglich sein. Einen alternativen Ansatz zur physikalischen Modellierung bieten Verfahren des Maschinellen Lernens. Diese Verfahren können gleichermaßen für die Modellierung, darüber hinaus aber auch direkt für Beobachtung und Regelung dynamischer Systeme eingesetzt werden. Dabei bieten sie das Potential den maximalen Informationsgehalt der erfügbaren Daten des jeweiligen Systems auszunutzen und somit eine Genauigkeitssteigerung zu erreichen. Demnach ermöglichen sie in diesen Bereichen eine sprunghafte Verbesserung der Güte. Maßgebliche Nachteile bestehen jedoch in dem Verlust der physikalischen Interpretierbarkeit der Modelle sowie der zumeist Notwendigkeit großer Mengen an Daten. Um die beschriebenen Vorteile zusammenzuführen und die Nachteile zu beseitigen, bietet sich eine Symbiose beider Verfahren an. Dabei wird eine hybride Verwendung ausgenutzt, um beispielsweise eine verbesserte Genauigkeit unter Beibehaltung der physikalischen Interpretierbarkeit zu ermöglichen. Der Anteil des jeweiligen Verfahrens ist variabel und abhängig von der betrachteten Zielgröße und Anwendung zu wählen. Das Ziel ist somit eine Optimierung mechatronischer Systeme durch die Hinzunahme von Verfahren des Maschinellen Lernens. Die erarbeiteten Verfahren werden an zwei verschiedenen Prüfständen entwickelt und analysiert. Dabei wird zum einen ein grundlegendes Systeme, anhand eines inversen Doppelpendels betrachtet. Zum anderen dient ein elektrisch angetriebenes Serienfahrzeug als anwendungsnaher Versuchsträger. Je nach Prüfstand werden unterschiedliche Zielgrößen adressiert und die entsprechende Kombination der Verfahren optimiert. Schließlich werden die Methoden auf die Echtzeitsysteme der Prüfstände übertragen. Abschließend werden die erarbeiteten Herangehensweisen mit bestehenden Verfahren verglichen und die verbesserte Güte aufgezeigt.
    Team: Zygimantas Ziaukas
    Jahr: 2020
    Förderung: Leibniz Young Investigator Grant
    Laufzeit: 2 Jahre