Untersuchung Künstlicher Neuronaler Netze zur Schätzung wichtiger Komponententemperaturen in elektrischen Motoren

• Antragsteller: Professor Dr.-Ing. Joachim Böcker
• Fachliche Zuordnung: Elektrische Energiesysteme, Power Management, Leistungselektronik, elektrische Maschinen und Antriebe ; Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2017 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 388765580

Die modellbasierte Schätzung wichtiger Komponententemperaturen in elektrischen Motoren ist ein wichtiger Untersuchungsgegenstand der letzten Jahre. Sie dient dem Bauteilschutz zur Laufzeit und bildet daher eine wichtige Grundlage um Antriebssysteme thermisch stärker auszunutzen. Typischerweise können indirekte Verfahren auf Basis elektrischer Motormodelle verwendet werden, um temperatursensitive Parameteränderungen zu detektieren und so auf die Betriebstemperatur zu schließen. Diese Modellklasse hat den inhärenten Nachteil, dass nicht auf die sog. Hot-Spot-Temperatur geschlossen werden kann und dass zudem einige wichtige Motortemperaturen (z.B. Kugellager) nicht erfasst werden können. Demgegenüber werden häufig thermische Ersatznetzwerke mit konzentrierten Parametern (LPTN) verwendet, um die Temperaturverteilung direkt zu modellieren. Hierbei besteht eine große Bandbreite bezüglich der gewählten Modellierungstiefe. Für echtzeitfähige Modelle werden i.d.R. besonders abstrahierte Ansätze verwendet, um die relevanten Motortemperaturen mit einer möglichst kompakten und damit recheneffizienten Modellstruktur zu schätzen. Hier stellt die Frage, ob alternative Modellzugänge für einen empirisch-abstrakten Zugang zur Temperaturschätzung innerhalb komplexer Systeme nicht besser geeignet sind. Durch die Abwendung von LPTN-basierten Differentialgleichungssystemen ist es dann insbesondere möglich, die Anzahl der Modellfreiheitsgrade unabhängig von der Anzahl der zu modellierenden Komponenten zu wählen. Hierdurch könnte die Schätzgenauigkeit gegenüber abstrakten LPTN-Ansätzen bei vertretbarem zusätzlichem Berechnungsaufwand weiter erhöht werden. Künstliche Neuronale Netze (KNN) umfassen eine große Bandbreite verschiedener Black-Box-Modelle und finden bereits vielfältige Anwendungen z.B. in der Sprach- und Bildanalyse. Diese wurden für die vorliegende Anwendung bisher gänzlich vernachlässigt, sodass der Antragssteller eine erste Voruntersuchung zur prinzipiellen Eignung dieser durchgeführt hat. Hier konnte gezeigt werden, dass Topologien unter Verwendung von long-short-term-memories bzw. gated recurrent units vielversprechende Schätzperformanzen liefern, wobei diese noch unterhalb der etablierten direkten und indirekten Methoden zu verorten sind. In diesem Zuge wurden zahlreiche offene Forschungsfragen identifiziert, wie z.B. die Problematik der Hyper-Parameter-Optimierung. Hierunter sind übergeordnete Konfigurationsparameter der betrachten KNN-Topologie (z.B. Anzahl der verdeckten Schichten oder Anzahl der Neuronen je Schicht) bzw. des verwendeten Trainingsalgorithmus (z.B. Intialisierung der KNN-Gewichte) zu verstehen. Das Projekt zielt daher auf die systematische Untersuchung von KNN zur Temperaturschätzung in elektrischen Motoren ab, wobei eine allgemeingültige Methoden- und Prozesskette erarbeitet wird, sodass die Projektergebnisse unmittelbar auf verwandte technische Systeme, wie z.B. auf Batterien oder leistungselektronische Wandler, übertragbar sind.

• DFG-Verfahren: Sachbeihilfen