Synthesewerkzeug für konventionelle und hybride Antriebsstränge

• Antragsteller: Professor Dr.-Ing. Peter Eilts; Dr.-Ing. Axel Sturm, seit 9/2023
• Fachliche Zuordnung: Konstruktion, Maschinenelemente, Produktentwicklung ; Verkehrs- und Transportsysteme, Intelligenter und automatisierter Verkehr
• Förderung: Förderung von 2020 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 433517773

• Erstellungsjahr: 2024

Zusammenfassung der Projektergebnisse

In diesem Forschungsvorhaben wurde ein Synthesewerkzeug für konventionelle und hybride Antriebsstrangkonzepte entwickelt. Computergestützte Synthesen ermöglichen es, alle theoretisch denkbaren Kombinationen der betrachteten aggregatspezifischen Auslegungsparameter und deren Verschaltung untereinander zu untersuchen und in Abhängigkeit von definierten Anforderungen sowie unter Anwendung geeigneter Bewertungskriterien vielversprechende Konzepte zu identifizieren. Durch die Erzeugung aller theoretisch denkbaren Parameterkombinationen können mittels Synthese auch neue Topologien, Aggregate oder Komponenten identifiziert werden. Da die Zahl der Freiheitsgrade eines Antriebsstrangs sehr hoch ist, bedarf es neuer Ansätze, um eine Optimierung im Sinne der definierten Kriterien realisieren zu können. Aus diesem Grund wurde ein Identifizierer entwickelt, welcher eine Optimierung des Gesamtsystems auf Basis von physikalischem Expertenwissen ermöglicht. Die Entscheidungen, die der Identifizierer im Verlauf der Optimierung einer Antriebssynthese trifft, werden durch ein datenbasiertes, selbstlernendes System unterstützt. Auf diese Weise wird vorhandenes Expertenwissen sowohl in Form von physikalischen Zusammenhängen als auch Entwicklungserfahrung in Algorithmen und Programmstrukturen überführt und zur Optimierung komplexer Systeme genutzt.

Projektbezogene Publikationen (Auswahl)

• Elektrifizierte Antriebe für automatisierte Fahrzeuge, Dissertation, Band 78, Schriftenreihe des Instituts für Fahrzeugtechnik TU Braunschweig
  Sturm, A.
  
• Optimale Hybridantriebe mit synthetisierten Verbrennungsmotoren und Getrieben, HEV 2022 - Tagung Hybrid and Electric Vehicles, Gifhorn
  Wolgast, C.; Sturm, A.; Eilts, P. & Küçükay, F.
  
• AI-based self-learning synthesis for electrified drives“, 45. Internationales Wiener Motorensymposium 2024, Wien
  Sturm, A.; Henze, R.; Küçükay, F. Wolgast, C. & Eilts, P.