Motivation
Im Zuge der Umsetzung der Elektromobilität werden hybride Antriebskonzepte, insbesondere die Kombination aus Verbrennungs- und Elektromotor, in Deutschland und Europa zunehmend an Bedeutung gewinnen. Gleichzeitig wird die Emissionsgesetzgebung weiter verschärft und auf den Realbetrieb auf der Straße ausgerichtet (Real Driving Emissions). Zur Optimierung der Schadstoffemissionen sind Betriebsstrategien erforderlich, die in der Lage sind, Schadstoffbildung sowie verschiedenen Faktoren, die die Abgasnachbehandlung beeinflussen, in Echtzeit vorherzusagen. Aktuelle Antriebssteuerungen sind jedoch nur sehr begrenzt imstande, die hochkomplexen physikalischen Zusammenhänge nachzubilden und die Betriebsstrategie darauf dynamisch anzupassen.
Ziele und Vorgehen
Ziel des Vorhabens ist es, auf der Grundlage von Methoden des Maschinellen Lernens (ML) steuergerätetaugliche Ansätze zur Emissionsvorhersage im realen Fahrzeugbetrieb zu entwickeln, die modell- und datenbasierte Konzepte miteinander verknüpfen. Mit den zu entwickelnden ML-basierten Ansätzen soll die situationsbezogene Wahl der Betriebsstrategie, insbesondere im Hybridfahrzeug, in Kombination mit Fahrererkennung, Streckenvorausschau und Diagnosefunktionen niedrigste Emissionen im praktischen Fahrzeugbetrieb sicherstellen.
Innovationen und Perspektiven
Zur Umsetzung sollen Methoden der modellprädiktiven Regelung (Model Predictive Control) und des verstärkenden Lernens (Reinforcement Learning) verknüpft werden, um einerseits das Modellwissen zu nutzen und andererseits eine Lernfähigkeit zu erreichen. Anhand der ML-Methoden werden einerseits der Fahrer bzw. die Fahrerin sowie die Verkehrssituation analysiert, um emissionskritische Fahrsituationen zu erkennen und vorherzusagen. Andererseits werden sie dazu genutzt, komplexe physikalische Zusammenhänge der dynamischen Schadstoffbildung in echtzeitfähige Modelle, Betriebsstrategien und Diagnosefunktionen, die in Motorsteuerungen integriert werden können, zu überführen. Die einzelnen Komponenten werden anschließend in eine gemeinsame Anwendung integriert und evaluiert. Mit Unterstützung der assoziierten Partner Corning GmbH, DENSO Automotive Deutschland GmbH und Lehrstuhl für Mechatronik und Elektrische Antriebssysteme der TUK in der Abgasnachbehandlung und der Steuergeräteentwicklung wird die RPTU die Grundlagenuntersuchungen und die Forschungsergebnisse vom Prüfstand auf im Fahrzeug anwendbare ML-basierte Modelle und Betriebsstrategien überführen. Der Entwicklungsprozess von Antriebsfunktionen wird sich mit der Einführung ML-basierter Methoden in Effizienz und Qualität steigern.