Schon heute bestimmen Anwendungen, die auf Digitalisierung und Maschinellem Lernen basieren, weite Bereiche unseres Lebens: Von virtuellen Assistenzsystemen über Industrieroboter bis hin zu humanoiden Pflegekräften – die intelligenten Maschinen nehmen uns viel Arbeit ab. Wie diese Systeme funktionieren und welche gesellschaftlichen Implikationen es dabei gibt, erörtern Paderborner Wissenschaftler aus verschiedenen Disziplinen. Dabei liegt der Fokus auf ihrer Forschung, mit der sie die Entwicklung mitgestalten.
Ein plötzlicher Motorausfall auf der Autobahn oder ein Brand unter der Haube: Um diese Horrorszenarien zu vermeiden, muss die Temperatur in elektrischen Motoren dauerhaft überprüft werden. Bisherige Systeme können das allerdings nur annährend leisten. Schuld daran sind zu hohe Kosten für notwendige Sensoren. Wissenschaftler der Universität Paderborn arbeiten daher an der Entwicklung einer Software, die die Temperatur auf Basis von Künstlicher Intelligenz an kritischen Stellen berechnet. Das Konzept nennt sich „Überwachtes Maschinelles Lernen“.
„Die Temperaturentwicklung kann in elektrischen Motoren, insbesondere für eine Nutzung im Rahmen der Elektromobilität, aktuell nicht vollständig durch Messtechnik ermittelt werden. Entsprechende Sensoren und deren Einbau sind schlichtweg zu teuer – vor allem im rotierenden Teil des Motors. Daher brauchen wir Ersatzmodelle, die die Temperatur im Betrieb an definierten Stellen schätzen – beispielsweise bei den kostspieligen und sensiblen Dauermagneten“, erklärt Dr. Oliver Wallscheid, Forschungsgruppenleiter im Fachgebiet „Leistungselektronik und Elektrische Antriebstechnik“ an der Universität.
Schluss mit Überhitzung: Dr. Oliver Wallscheid nutzt Ansätze maschinellen Lernens zur Temperatureinschätzung in Antrieben. Foto: Uni Paderborn
Solche Ersatzmodelle basieren aktuell auf physikalischen Gleichungen und müssen für jeden Motortyp neu aufgestellt werden. „Das kann problematisch sein, wenn Motoren einer Großproduktionsserie nicht exakt gleich sind – in diesem Fall müssen zusätzliche Sicherheitsreserven vorgesehen werden, die dazu führen, dass nur ein Teil der gesamten Motorleistung abgerufen werden kann. Ebenso wenig können alle auftretenden physikalischen Effekte durch bisherige Modelle nachgebildet werden, sodass immer eine gewisse Schätzungsungenauigkeit zurückbleibt“, sagt Dr. Wallscheid.
Die Lösung: datengetriebene Ansätze.
Dazu arbeiten die Wissenschaftler um Wallscheid mit Modellen, die mathematische Funktionen und künstliche neuronale Netze, also Methoden der abstrakten Informationsverarbeitung, beinhalten. Das Projekt, das von der Deutschen Forschungsgemeinschaft (DFG) gefördert wird, ist angesiedelt im Bereich der Künstlichen Intelligenz: „Die Modelle sind in einer Software dargestellte mathematische Funktionen, beispielsweise tiefe künstliche neuronale Netze, die ohne physikalische Gleichungen auskommen. Es bestehen somit mehr Freiheitsgrade, um auf Basis verfügbarer Messdaten wie der Drehzahl oder des durch die Motorwicklungen fließenden Stroms auf die Temperatur zu schließen“, erklärt der verantwortliche Projektingenieur Wilhelm Kirchgässner.
Arbeiten an der Schnittstelle von Elektrotechnik, Informatik und Mathematik
Mithilfe des maschinellen Lernens sollen neuartige Ansätze zur Temperaturschätzung in Antrieben und anderen energietechnischen Anwendungen gefunden werden, die sich von den etablierten Methoden der Ingenieurswissenschaften grundlegend unterscheiden. „Statt bekanntes Systemwissen zur Modellbildung heranzuziehen, werden bei uns ausschließlich datengetriebene Black-Box-Ansätze mittels experimenteller Prüfstandsmessungen trainiert. Jetzt stehen wir vor der Herausforderung, geeignete Modellstrukturen aus einer großen Masse möglicher Lösungskandidaten zu identifizieren, mit denen sich die Temperaturschätzung möglichst genau und robust realisieren lässt“, sagt Kirchgässner.
Und es gibt noch eine Herausforderung:
Die Modelle dürfen nicht beliebig komplex sein. „Sonst können sie nicht auf kostengünstigen und eher schwachen Mikroprozessoren wie dem Steuergerät im E-Fahrzeug in Echtzeit berechnet werden“, erklären die Experten. Bis das Vorhaben 2021 beendet ist, sollen entsprechende Ansätze vorliegen und dann von der akademischen Grundlagenforschung in die industrielle Anwendung überführt werden.
