Lernende prädiktive Wartung von vernetzten Geräteflotten – präFlott
Das Ziel des Projekts besteht darin, ein System zur prädiktiven Wartung vernetzter Geräteflotten basierend auf Methoden des maschinellen Lernens zu erforschen und zu realisieren. Es soll untersucht werden, unter welchen Voraussetzungen Flottenwissen bzw. Expertinnen- und Expertenwissen vorteilhaft für die Prädiktion des Maschinen- und Komponentenverhaltens genutzt werden kann. Ein Schwerpunkt liegt darauf, was aus systemübergreifend aggregierten Daten gelernt werden kann und wie Erfahrungen aus der Belegschaft automatisiert einfließen können. Zudem soll durch die Kombination von Lernverfahren mit physikalisch motivierten Modellen die Plausibilität der Prädiktionsergebnisse und somit die Praxistauglichkeit erhöht werden.
Diese Fragestellungen werden für mechatronische und optische Komponenten vergleichend untersucht. Darüber hinaus wird eine Flotte mobiler Roboter als offene Referenzplattform für die Forschung und für eine breite Zugänglichkeit der Ergebnisse für nicht am Projekt beteiligte Akteure implementiert. Für eine wirtschaftliche Umsetzung in industrielle Anwendungen wird analysiert, was mit bestehender Sensorik erreicht werden kann und welche Verbesserungen nur durch Integration weiterer Sensorik möglich werden. Hierdurch soll sichergestellt werden, dass Ausfälle reduziert und Wartungszyklen optimiert werden.
Planning-informed Perception & Perception-informed Planning – PiP2
Herkömmliche modulare Software-Architekturen für autonome Fahrzeuge haben den Nachteil, dass während der Entwicklung die möglichen Synergien zwischen den Modulen nicht vollständig genutzt werden können. Insbesondere der Informationsaustausch zwischen Umfeldwahrnehmung (Perception) und Trajektorienplanung (Planning) bietet Verbesserungspotenzial. Das Kooperationsprojekt „Planning-informed Perception & Perception-informed Planning (PiP2)“ soll dieses Potenzial heben und eine bidirektionale Übertragung relevanter Informationen während der Entwicklung der Algorithmen ermöglichen.
Die Kenntnis über Unsicherheiten in der Objektdetektion soll in der Pfadplanung berücksichtigt und gleichzeitig die geplante Trajektorie an die Umfeldwahrnehmung zurückgespielt werden. Eine neu zu entwickelnde Metrik nutzt diese Informationen aus der Trajektorienplanung, um die Leistungsfähigkeit der Objekterkennung in den für den aktuellen Fahrtzustand relevanten Fahrbahnbereichen zu erhöhen.
Ziel des Projekts PiP2 ist es, durch die kombinierte Entwicklung von Perception und Planning die Güte der Objekterkennung zu erhöhen und die Trajektorienplanung unter Unsicherheiten zu ermöglichen. Die neuen Algorithmen sollen simulativ und auf einem realen Fahrzeug evaluiert werden. In einem abschließenden Show-Case soll anhand eines realen Ausweichmanövers mit einem Forschungsfahrzeug die Leistungsfähigkeit der Software demonstriert werden.
SOLID – Smart Soil Compaction Devices
Händisch gesteuerte Bodenverdichtungsgeräte, sog. Stampfer, werden in der Baupraxis verwendet, um den Boden in engen Arbeitsräumen mittels alternierender Beanspruchung zu verdichten. Da die Steifigkeit des Bodens spannungs- und dichteabhängig ist, ändert sich während des Verdichtungsvorgangs die Bodenreaktion und damit die durch den Bediener des Stampfers erfahrene Hand-Arm-Vibration. Die Effizienz der Verdichtung und die Belastungen auf Anwender werden dabei nicht nur durch die verschiedenen Maschinenparameter und das mechanische Verhalten des Erdbaustoffes, sondern insbesondere durch die komplexe Boden-Stampfer-Interaktion (BSI) bestimmt.
Das Projekt SOLID zielt darauf ab, eine neue Generation smarter elektrisch betriebener Stampfer zu entwickeln, die Erdbaustoffe wesentlich effizienter und emissionsärmer verdichten können, bei gleichzeitiger Reduzierung der Belastung auf die Bediener. Um dieses Ziel zu erreichen, wird ein digitaler Zwilling eines elektrisch betriebenen Stampfers unter Einbeziehung des zu verdichtenden Erdbaustoffes und der BSI entwickelt.
Basierend auf numerischen Simulationen des Verhaltens des Systems mit dem digitalen Zwilling und der Analyse der numerischen Ergebnisse können die wesentlichen Maschinenkomponenten und Maschinenparameter optimal ausgelegt werden. Diese innovative Methodik kann außerdem für die Entwicklung smarter Assistenzfunktionen zur Steigerung der Energieeffizienz und Reduktion der Emissionen bei anderen Baumaschinen verwendet werden.

MeLD – Machine Learned Dynamics: Berücksichtigung des dynamischen Verhaltens von Käfigen mittels maschinellen Lernens im Auslegungsprozess von Wälzlagerungen
Durch speziell für Wälzlager entwickelte Mehrkörpersimulationen oder Prüfstände kann die Dynamik von Käfigen für die vorgesehenen Betriebsbedingungen berechnet oder gemessen werden. Jedoch ist die Erstellung der Modelle sowie die Auswertung der Ergebnisse komplex und zeitaufwendig. Experimentelle Versuche erfordern umfangreiche Vorbereitungen und sind sehr zeit- und kostenintensiv. Dem gegenüber steht eine möglichst zeit- und kosteneffiziente Auslegung von Wälzlagern hinsichtlich ihrer funktionalen Eigenschaften wie Reibung oder Dynamik.

Systematische Elektrifizierung konventionell angetriebener stark emittierender Großgeräte – SEkaseG
Die Potenziale elektrischer Antriebskonzepte lassen sich nur voll ausschöpfen, wenn die dazugehörigen Maschinenkonzepte an diese angepasst werden. Um eine solche revolutionäre Weiterentwicklung zu ermög-lichen, sollen die Entwickler mit einer Softwareumgebung unterstützt werden.