Fachgebiet Mechatronik und Elektrische Antriebssysteme (MEAS)

Kurzprofil:

In der MEAS-Abteilung nutzen wir künstliche Intelligenz (KI) und computergestützte Modellierung, um Echtzeit-Entscheidungsprozesse zu verbessern, die Systemeffizienz zu steigern und Innovationen in den Bereichen Ingenieurwesen, Energiesysteme und autonome Technologien voranzutreiben. Durch die Integration von KI-gestützten Algorithmen, Deep-Learning-Modellen, Sensordatenfusionstechniken und numerischer Strömungsmechanik (CFD) entwickeln wir robuste, datengetriebene Lösungen, die komplexe Herausforderungen in verschiedenen Anwendungsbereichen adressieren.

Unsere Arbeit schlägt eine Brücke zwischen theoretischen Fortschritten und praktischen Anwendungen, mit einem Fokus auf die Entwicklung von intelligenten Steuerungssystemen, prädiktiver Analytik und Echtzeit-Optimierungsstrategien. Wir sind auf interdisziplinäre KI-Anwendungen spezialisiert und kombinieren physikbasierte Simulationen mit datengetriebenen Methoden, um die Systemleistung zu verbessern, die Sicherheit zu erhöhen und die nächste Generation intelligenter Technologien zu unterstützen.

Unsere Forschung im Bereich Computational Modeling & KI konzentriert sich auf mehrere Schlüsselbereiche, darunter KI-gestützte Stromnetze, Sensordatenfusion, Batteriezustandsschätzung und CFD-basierte Systemoptimierung. Diese Bereiche ermöglichen es uns, die Grenzen von Effizienz, Automatisierung und Präzision in erneuerbaren Energien, Robotik, Automobiltechnik und industrieller Prozessoptimierung weiter auszudehnen.

Schwerpunktfelder:

Computational Fluid Dynamics (CFD) zur Systemoptimierung:

Bei MEAS setzen wir Computational Fluid Dynamics (CFD) als leistungsstarkes Werkzeug zur Analyse, Vorhersage und Optimierung des Strömungsverhaltens in einer Vielzahl von technischen Anwendungen ein. Unsere Forschung konzentriert sich auf die Steigerung der Effizienz, thermischen Leistung und Zuverlässigkeit von rotierenden Maschinen, Wärmetauschern, Kühlsystemen und Energiespeicherlösungen durch den Einsatz hochpräziser Simulationen und Modellierungstechniken.

Unsere Expertise in der CFD-gestützten Systemoptimierung ermöglicht es uns:

  • Das Wärmemanagement leistungsstarker rotierender Maschinen wie Elektromotoren, Turbinen und Kompressoren zu verbessern, indem wir Kühlkanäle, Fluidzirkulation und Wärmeableitungsmechanismen optimieren.
  • Innovative Wärmetauscherdesigns zu entwickeln, die den Wärmeübergang maximieren, während sie gleichzeitig Druckverluste minimieren, um die Energieeffizienz in industriellen Anwendungen zu steigern.
  • Luftströmung und Kühlstrategien in Batteriepacks, Leistungselektronik und Antriebssträngen von Elektrofahrzeugen (EVs) zu optimieren, um die Batterielebensdauer zu verlängern und die thermische Stabilität zu verbessern.
  • Kühllösungen für industrielle Prozesse zu verbessern, indem wir Strömungsverteilungen, Turbulenzeffekte und Wärmeableitungsmuster analysieren, um eine gleichmäßige Leistung unter dynamischen Betriebsbedingungen sicherzustellen.

Autonome Navigation & Sensordatenfusion:

Unser Forschungsteam entwickelt KI-gesteuerte Lösungen zur Sensordatenfusion, indem es Real-Time Kinematic (RTK)-Positionierung und Inertial Measurement Unit (IMU)-Daten integriert, um die Navigationsgenauigkeit zu verbessern. RTK ermöglicht präzise Geolokalisierung, indem es GPS-Fehler durch differentielle Berechnungen korrigiert, während IMU-Sensoren hochfrequente Bewegungsdaten erfassen, um vorübergehenden GPS-Signalausfall auszugleichen.

Durch den Einsatz von Kalman-Filtern, Deep-Learning-Techniken und fortschrittlichen domänenübergreifenden KI-Fusionsalgorithmen optimieren wir die Synchronisierung und Verarbeitung dieser Datensätze und reduzieren Positionsfehler erheblich. Dieser Ansatz ist besonders vorteilhaft in GPS-herausfordernden Umgebungen wie Stadtschluchten, Tunneln und dichten Wäldern, in denen herkömmliche Navigationssysteme mit Genauigkeitsproblemen kämpfen.

Unsere Fusionsmethoden verbessern die Echtzeit-Lokalisierung in autonomen Fahrzeugen, UAVs, Robotersystemen, der Präzisionslandwirtschaft und Vermessungsanwendungen, um sichere, zuverlässige und effiziente autonome Operationen zu gewährleisten. Das Hauptziel unserer Forschung ist die Entwicklung robuster, KI-gesteuerter Fusionsverfahren, die Positionsgenauigkeit und Anpassungsfähigkeit in dynamischen realen Szenarien verbessern.

Das RTK-System arbeitet mit einer Referenzstation, um die Positionsgenauigkeit zu verbessern. Die Referenzstation überträgt Korrekturdaten an das UAV und den Nutzer, um die GNSS-Präzision zu erhöhen.
Eine visuelle Darstellung des RTK-Betriebs in einer virtuellen Umgebung. Die Basisstation (BS/VRS) sendet Korrekturdaten an das UAV und verbessert die Genauigkeit seiner GNSS-Positionierung.
Die praktische Anwendung von RTK in Industriedrohnen ermöglicht präzise Missionen wie Kartierung und Infrastrukturinspektion und gewährleistet eine genaue und zuverlässige Positionierung auch in herausfordernden Umgebungen.

KI in Netzschutz:

Bei MEAS entwickeln wir Fehlererkennungssysteme für verteilte Niederspannungs-Gleichstromnetze unter Einsatz künstlicher Intelligenz (KI). Mit der schnellen Ausbreitung erneuerbarer Energiequellen und moderner elektronischer Systeme wächst die Nachfrage nach robusten, effizienten und intelligenten Gleichstromnetzen. Herkömmliche Fehlererkennungsmethoden stoßen jedoch oft an ihre Grenzen, wenn es darum geht, mit den komplexen dynamischen Prozessen und der Variabilität dieser Netzwerke umzugehen. Dies führt zu Verzögerungen bei der Fehleridentifikation und erhöht die Anfälligkeit des Systems.

Unsere Forschung konzentriert sich auf die Entwicklung KI-gesteuerter adaptiver Algorithmen, die eine Echtzeitüberwachung des Systems, eine schnelle Anomalieerkennung und eine präzise Fehlerlokalisierung ermöglichen. Durch die Analyse von Spannungsschwankungen, Strommustern und Umweltfaktoren verbessert unsere Methodik die Netzresilienz, minimiert Betriebsunterbrechungen und optimiert die Leistung moderner Energieinfrastrukturen.

Durch diese Arbeit tragen wir zur Entwicklung intelligenter, selbstheilender Stromnetze bei, die in der Lage sind, dynamische Energieanforderungen effizient zu verwalten und gleichzeitig Nachhaltigkeit, Zuverlässigkeit und Anpassungsfähigkeit in den Stromnetzen der nächsten Generation sicherzustellen.

Überwachung der Batteriezustands und KI-gesteuerte Schätzung:

Bei MEAS setzen wir neuronale Netzwerke und KI-basierte Modelle ein, um den Ladezustand (State-of-Charge, SOC) und den Gesundheitszustand (State-of-Health, SOH) von Lithium-Ionen-Batterien zu bestimmen. Dies ermöglicht Echtzeitüberwachung und vorausschauende Wartung. Herkömmliche Methoden zur Batteriezustandsüberwachung stoßen oft auf Genauigkeits- und Reaktionsprobleme, insbesondere unter dynamischen Betriebsbedingungen wie in Elektrofahrzeugen (EVs) und großflächigen Energiespeichersystemen.

Unser KI-gesteuerter Ansatz analysiert Spannung, Strom, Temperatur und internen Widerstand, indem er maschinelle Lernalgorithmen verwendet, um Leistungsdegradationen zu erkennen, die verbleibende Batterielebensdauer vorherzusagen und Energiemanagementstrategien zu optimieren. Durch die Integration von Echtzeit-Datenverarbeitung und prädiktiver Analytik helfen wir, Überladung, Tiefentladung und Kapazitätsverlust zu vermeiden, wodurch die Lebensdauer und Effizienz der Batterie erheblich verlängert wird.

Diese Forschung spielt eine zentrale Rolle bei der Steigerung der Zuverlässigkeit und Nachhaltigkeit von Energiespeicherlösungen der nächsten Generation und unterstützt die weitere Verbreitung der Elektromobilität und die Integration erneuerbarer Energien. Durch den Einsatz von KI-gestützter Modellierung ermöglichen wir intelligentere Batterie-Management-Systeme (BMS), die die Sicherheit, Kosteneffizienz und Gesamtleistung des Systems verbessern.