Predictive Powertrain Health Care: Adaptive Methodik zur Überwachung von Antriebskomponenten mit Hilfe von Data Science Ansätzen

Die Entwicklung von brennstoffzellenbetriebenen Antriebssystemen gewinnt an Dynamik, da die Welt auf nachhaltigere Energiequellen umstellt. Allerdings stellt die Komplexität dieser Systeme und das fehlende Wissen über ihr Verhalten unter verschiedenen Bedingungen eine Herausforderung für Wartungs- und Kontrollstrategien dar. In diesem Forschungsprojekt wird ein intelligenter Überwachungs- und Zustandsschätzer für hybride Antriebsstrangsysteme basierend auf maschinellen Lernansätzen (ML) entwickelt.

Insbesondere werden das Brennstoffzellensystem und die Elektromotorkomponente im Detail untersucht um die Fähigkeiten von ML sowohl für die Überwachung auf Komponenten- als auch auf Systemebene zu prüfen. Da Brennstoffzellen erst seit kurzem als Alternative zu Verbrennungsmotoren und ihrer hohen Komplexität in Betracht gezogen werden, können das Vorhandensein und die Ursachen von Fehlern schwer zu erkennen sein.

Daher werden auf unüberwachtem Lernen basierende Anomalie-Detektoren, die die Abweichungen vom erwarteten Verhalten erkennen, für diesen Anwendungsfall untersucht. Das Projekt wird Elektromotoren untersuchen, wobei der Schwerpunkt auf Lagerschäden liegt, die die häufigste Fehlerart sind. Hier werden hauptsächlich überwachte Ansätze verwendet um kritische Belastungsprofile zu identifizieren und möglicherweise Kontrollstrategien anzupassen, um speziell Schäden durch Lagerströme vorzubeugen, die durch den Trend zu immer höheren Netzspannungen und schneller schaltenden Wechselrichtern auftreten könnten. Obwohl sich die verwendeten Methoden unterscheiden, werden sie für die überwachten und unüberwachten Lernverfahren eingesetzt.

Die Industrie hat ein großes Interesse daran, Komponenten des Antriebsstrangs wie den E-Motor oder die Brennstoffzelle schnell auf den Markt zu bringen. Die Hersteller sind an kurzen Entwicklungs- und Umsetzungszeiten interessiert. Das vorliegende Projekt bietet eine Lösung für ein zeitkritisches Anliegen der Original Equipment Manufacturers (OEM).  Die in der Forschungsgruppe entwickelten Data Science Methoden sind skalierbar und breit auf den Antriebsstrang anwendbar.