Aktuelle Forschungsprojekte

• FOR 2401
  "Optimierungsbasierte Multiskalenregelung motorischer Niedertemperatur-Brennverfahren"
• HERCET
  "Entwicklung und Validierung einer kostengünstigen hybrid-elektrischen Antriebslösung für kleine Zweiräder zur Reduzierung der CO2-Emissionen"
• Hy-Nets4all
  "Validierungsumgebung zur Optimierung des elektrifizierten Fahrens im urbanen Raum"
• CEVOLVER
  "Connected Electric Vehicle Optimized for Life, Value, Efficiency and Range"
• EVOLVE
  "Validation of an Energy-efficient longitudinal vehicle motion control based on model predictive control"
• HELENE
  "Hardware-in-the-Loop basierte Funktionsentwicklung zur emissionsoptimierten Regelung von Fahrzeugantrieben mit Reinforcement Learning"
• ICCC
  "Ionenstromsensor basierte Regelung von Magerbrennverfahren mit hohem Verdichtungsverhältnis"

Forschungsgruppe 2401 – Optimierungsbasierte Multiskalenregelung motorischer Niedertemperatur-Brennverfahren

Ziel der Forschungsgruppe ist es, die zukunftsträchtige NTV in Verbrennungsmotoren mithilfe innovativer Regelungskonzepte technisch nutzbar zu machen. Hierzu verfolgt die Forschergruppe einen neuartigen interdisziplinären Ansatz aus den Bereichen Chemie, Verbrennungs- und Regelungstechnik. Aktuell erforschte Methoden zur NTV-Regelung können als zyklusbasierte Regelungskonzepte klassifiziert werden. Die etablierten Regelungen verwenden Informationen aus vorherigen Zyklen, um zyklusintegrale Surrogatparameter zu bestimmen, die als Regelgröße dienen. Auf deren Basis werden die aktuellen Stellgrößen auf einer Zyklus-zu-Zyklus Basis berechnet. Mit der zyklusbasierten Regelung ist eine prinzipielle Prozessführung möglich, jedoch nur in einem sehr eingeschränkten Kennfeldbereich, der für eine technische Anwendung nicht ausreichend ist.

10/2020 - 09/2023

Indo-German Science & Technology Centre (IGSTC)

Das Erreichen der CO2-Ziele erfordert einen reduzierten Kraftstoffverbrauch durch den Einsatz fortschrittlicher Hybridtechnologien, die zudem den Vorteil einer guten Fahrzeugreichweite aufweisen müssen. Um dieses Ziel zu erreichen muss über den Automobilsektor hinausgedacht werden. Vorhersagen haben ergeben, dass auch bei Zweirädern die signifikante Reduzierung der CO2-Emissionen durch den Einsatz von Hybridtechnologien möglich sind. So wurde die Kraftstoffeinsparung in einem Prototyp eines Plugin-Hybrid-Zweirads gezeigt, bei dem ein Radnabenmotor am Vorderrad verwendet wurde, während das Hinterrad von einem Verbrennungsmotor angetrieben wurde. Obwohl die Hybridtechnologie bei Vierrädern bereits ausgereift ist, ist das Zweiradsegment aufgrund der damit verbundenen hohen Kosten und Komplexität noch relativ neu.

04/2020 - 03/2023

Ganzheitliche Entwicklungs- und Validierungsumgebung zur Optimierung des elektrifizierten Fahrens im urbanen Raum

In Hy-Nets4all wird eine Entwicklungs- und Validierungsumgebung aufgebaut, die es ermöglicht, automatisierte Fahrfunktionen für elektrifizierte Fahrzeuge ganzheitlich zu entwickeln und effizient abzusichern. Ziel dabei ist es, den Energiebedarf und Emissionsaustoß von elektrifiizierten Fahrzeugen im urbanen Raum zu verringern, elektrische Komponenten gezielt weiterzuentwickeln, Fahrkonzepte abgestimmt auf verfügbare und zukünftige Ladeinfrastruktur auszulegen, kooperative Fahrszenarien zu optimieren und Verkehrsströme zu verflüssigen.

Connected Electric Vehicle Optimized for Life, Value, Efficiency and Range

Die aktuelle Generation elektrischer Fahrzeuge ist im Allgemeinen immer noch zu teuer und weist nur eine begrenzte Reichweite auf. Daher nutzt das CEVOLVER Projekt einen nutzerzentrierten Ansatz, um batterieelektrische Fahrzeuge zu entwickeln, welche für angenehme, lange Tagesfahrten einsetzbar sind, während die verbaute Batterie kosteneffizient dimensioniert ist. Des Weiteren werden die Fahrzeuge so gestaltet, dass sie die Vorzüge zukünftiger Schnellladeinfrastruktur, die bereits jetzt von vielen Ländern geplant werden, nutzen können.

CEVOLVER nimmt diese Herausforderung an, indem das Fahrzeug zur Effizienzsteigerung nicht nur selbst verbessert wird, sondern auch die Möglichkeiten der gesteigerten Vernetzung genutzt werden. Die Vernetzung wird dabei zur Optimierung der Komponenten- und Systemauslegung sowie der Steuerungs- und Betriebsstrategien genutzt. Im Rahmen dieses Projekts wird demonstriert werden, dass es möglich ist lange Fahrstrecken zu erreichen, ohne dass eine Vergrößerung der Batterie und damit einhergehende Kostensteigerung nötig ist. Die effiziente Übertragbarkeit der Ergebnisse wird für zukünftige Fahrzeuge durch eine Methodik gewährleistet, welche die Vorteile anhand eines frühzeitigen Bewertungsansatzes vor der Implementierung der Maßnahmen in den Demonstratorfahrzeugen aufzeigt.

Validation of an Energy-efficient longitudinal vehicle motion control based on model predictive control

Automatisierte Fahrfunktionen eröffnen gerade im dynamischen Stadtverkehr ein hohes Energieeinsparpotential durch eine optimierte Fahrzeuglängsführung, welches bereits in verschiedenen Simulationsstudien nachgewiesen werden konnte. Ziel dieses Forschungsprojektes ist die Evaluation und der Übertrag optimierungsbasierter Fahrfunktionen von der Simulation in die Realität. Dazu wird ein Versuchsfahrzeug mit einem Prototypensteuergerät ausgestattet, um die Fahrfunktionen zur Bewertung des realen Energieeinsparpotentials auf der Teststrecke in exemplarischen Innenstadtszenarien zu testen.

Hardware-in-the-Loop basierte Funktionsentwicklung zur emissionsoptimierten Regelung von Fahrzeugantrieben mit Reinforcement Learning

Zur Erreichung der globalen Klimaziele und zur Verringerung von lokalen Luftschadstoffen muss der Verkehrssektor einen deutlichen Beitrag leisten. Moderne Antriebe entwickeln sich zu elektrifizierten, vernetzten, softwareintensiven Gesamtsystemen mit einer Vielzahl von Freiheitsgraden. Innovationen zur Emissionsminimierung und Wirkungsgradsteigerung werden zunehmend erst durch Software ermöglicht. Der Aufwand für die Entwicklung, Validierung und Kalibrierung dieser Algorithmen steigt exponentiell an, gleichzeitig verkürzen sich verfügbare Entwicklungszeiten und –ressourcen. Im Rahmen von HELENE wird ein neuartiger Ansatz zum Hardware-in-the-Loop basierten maschinellen Lernen gezeigt. Mittels Reinforcement Learning werden spezifische Funktionen des Antriebsstrangs in einem realistischen, heterogenen virtuell-realen Simulationsszenario trainiert.

In diesem Projekt zielen die Antragssteller auf ein tieferes Verständnis der Korrelationen des Ionenstromsensorsignals und der zugrunde liegenden chemischen und physikalischen Effekte in der Zylinderladung und der daraus resultierenden Leitfähigkeit. Zur Verbesserung der Mess- und Signalverarbeitung wird eine detaillierte Simulation mit Untersuchungen an Testmotoren in Shanghai und Aachen kombiniert. Der Analyse-schaltkreis wird angepasst, um das Signal-Rausch-Verhältnis zu verbessern. Die identifizierte Korrelation zwischen dem Ionenstrom und dem Zylinderladungszustand wird verwendet, um eine Machbarkeitsstudie für neue FPGA-basierte In-Zyklus-Regelalgorithmen auf dem Prüfstand durchzuführen.