Wissensbasierte Entwicklung

Im Zuge der Digitalisierung bieten sich Möglichkeiten, die Methoden zur Auslegung von Bauteilen grundlegend weiterzuentwickeln.

Heutzutage werden beispielsweise die Komponenten eines Getriebes unter Berücksichtigung extremer Lastfälle für eine bestimmte Lebensdauer bzw. Laufleistung ausgelegt. Solche extremen Lastfälle werden aber nur von einem geringen Anteil der Fahrer verursacht (ca. 2-3%).

Unter Zuhilfenahme von Big-Data-Methoden und innovativen Ansätzen zur Echtzeit-Vorhersage der verbleibenden Lebensdauer der Komponenten können Bauteile zukünftig leichter und kostengünstiger ausgelegt werden. Ein wichtiger Aspekt ist dabei die Kenntnis und Berücksichtigung des tatsächlichen Nutzerverhaltens. Basierend auf gemessenen Fahrprofilen sollen Testzyklen synthetisiert werden, die das Belastungskollektiv realer Nutzer besser abbilden, als bestehende Normzyklen. Diese und weitere Ideen verfolgen wir am IMS im Rahmen der Vision Fahrzeug 5.0. Diese vereint die Forschungsprojekte mehrerer Institute der TU Darmstadt, die sich mit der Umsetzung des zukünftigen, wissensbasierten Fahrzeugs beschäftigen.

Derzeitige Projekte zu diesem Thema:

CRISP TP3.2 – Teilprojekt von CRISP

Zeitraum: 2017 – 2020

Ziel des Projektes ist es, Methoden zur Sammlung, Aggregation und Auswertung von Fahrzeug-Betriebsdaten zu entwickeln, die gleichzeitig einen Schutz der individuellen Privatsphäre ermöglichen. Hierzu werden drei beispielhafte Anwendungen: „softwarebasiertes Lebensdauermonitoring“ im Bereich Leichtbau, die Synthese von realfahrtrepräsentativen Fahrzyklen im Bereich Emission/Effizienz und eine Geodatenerfassung zur Informationsübertragung lokaler Gefahren im Bereich Autonomie untersucht. Für alle Anwendungen wird geprüft, welche Daten erfasst werden müssen, um die Umsetzung der technischen Anwendungen mit aggregierten Datensätzen zu ermöglichen und wie dabei sensible Informationen über Einzelpersonen geschützt werden können.

Der Schwerpunkt der Forschung des IMS im Projekt sind Verfahren, die eine stochastische Synthese von möglichst kurzen und repräsentativen Testzyklen aus Flottendaten im Big Data Rahmen ermöglichen. Die Verfahren arbeiten multidimensional und können die gegenseitige Abhängigkeit von mehreren Signalen in realistischen Testzyklen berücksichtigen. Beispielsweise spielt für die Verbrauchsbewertung von Fahrzeugen nicht nur die Geschwindigkeitsvorgabe eine entscheidende Rolle (worauf sich klassische Fahrzyklen begrenzen), sondern unter anderem auch das Steigungsprofil und die Außentemperatur.

Der Nutzer und dessen Privatsphäre stellen einen wesentlichen Aspekt dar. Daher werden Möglichkeiten zur Aggregation der Betriebsdaten vor der Speicherung untersucht, welche technische Informationen erhalten und gleichzeitig privatheitskritische Daten unterdrücken sollen. Das Ziel ist es technischen Anwendungen bei möglichst geringer Einschränkung der Privatsphäre zu ermöglichen.

Kontakt: Arved Eßer

Weitere Informationen finden Sie auf der Projekthomepage.

Zeitraum: 2018 – 2020

Neuartige elektrische Antriebe bieten in vielerlei Hinsicht großes Potential im Vergleich zum konventionellen Antriebstrang. Die hiermit einhergehenden zusätzlichen Freiheitsgrade ermöglichen unter anderem die Entwicklung von neuen Komfortfunktionen, um die Akzeptanz dieser neuen Technologie zu erhöhen und die Verbindung von Fahrer und Fahrzeug zu stärken. Das IMS verfolgt in Kooperation mit der Daimler AG die Vision einer intelligenten Komfortfunktion, die während des Fahrens lernt und sich somit individuell auf die Bedürfnisse des Fahrers einstellt. Hierzu werden aktuelle Forschungsansätze aus dem maschinellen Lernen aufgegriffen und mit klassischem ingenieurmäßigem Vorgehen vereint. Ziel ist die Ausnutzung von Synergien sodass die Robustheit klassischer Methoden mit der Agilität des maschinellen Lernens in Fahrzeugfunktionalität zusammengeführt werden kann. Zusätzlich wird untersucht inwiefern die intelligente Einbindung der Cloud zu einer Verbesserung des Gesamtsystems herangezogen werden kann.

Kontakt: Philippe Jardin

Zeitraum: 2018 – 2021, Teilprojekt aus CRISP-SaL4

Forschungsschwerpunkt des IMS innerhalb des Projekts ist es, eine adaptive, selbstlernende Steuerung der Längsdynamik von vernetzten Fahrzeugen als Anwendungsfall eines resilienten IoT-Systems zu entwickeln. Durch die Einbeziehung von gesammelten Fahrdaten und die Kommunikation von vernetzten Fahrzeugen untereinander (V2V) kann die Längsdynamik des Fahrzeugs so direkt im Betrieb auf Basis maschineller Lernverfahren optimiert werden, um in verschiedensten Situationen beispielsweise möglichst energieeffizient oder komfortabel zu fahren. Ein zentraler Aspekt ist dabei die Sicherstellung der funktionalen Sicherheit im Sinne eines resilienten Gesamtsystems.

Kontakt: Tobias Eichenlaub

Im Rahmen des Projekts wird eine Methode entwickelt, um den Betriebszustand der Nasslamellenkupplung zu überwachen. Dazu sind die Funktionen, wie zum Beispiel die Überwachung des Belastzustands der Lamelle und die Temperaturberechnung während der Fahrt vorzusehen. Nach der Entwickelungsphase wird diese Methode mit dem bereits vorhandenem COMPREDICT Algorithmus zur Überwachung des Getriebezustands zusammengeführt. In einer Simulationsumgebung der Tongji Universität sollen Untersuchungen vorgenommen werden. Solche grundlegenden Untersuchungen und die simultane Optimierung der Methode sollen gewährleisten, dass ein kontinuierlicher Erkenntnisgewinn unter Ausschluss systematischer Fehler stattfindet. Abschließend wird der gesamte Überwachungsalgorithmus in einem Testfahrzeug implementiert und in der realen Fahrumgebung getestet. Die aufgezeichneten Messdaten können zur Entwicklung und Verbesserung der Methode verwendet werden.

Das Projekt dient zunächst als Machbarkeitsstudie für eine Zustandsüberwachung von Nasslamellenkupplungen. Es gibt zwar verschiedene Veröffentlichungen in diesem Bereich, diese sind aber weitgehend theoretische Untersuchungen oder durch Prüfständen gewonnene Methoden. Dieses Projekt zeichnet sich dadurch aus, dass die Methode an einem realen System entwickelt wird. Hierbei stellt die Echtzeit-Funktionsfähigkeit unter beschränkter Rechenleistung die größte Herausforderung dar.

Kontakt: Ping He