Sie sind hier: HomeThemenSmart EnergySmart Mobility

»Überwachtes Maschinelles Lernen«: Temperaturvorhersage im Elektromotor per KI

Um Ausfälle und Brände von Elektromotoren in Elektroautos zu verhindern, müsste deren Temperatur permanent überwacht werden – was bislang an den Kosten der Sensorik scheiterte. Forscher der Universität Paderborn entwickeln stattdessen eine Temperaturschätzung mittels »Künstlicher Intelligenz« (KI).

Dr. Oliver Wallscheid Bildquelle: © Universität Paderborn

Dr. Oliver Wallscheid, Oberingenieur und Gruppenleiter im Fachgebiet Leistungselektronik und Elektrische Antriebstechnik (LEA) ist diesjähriger Forschungspreisträger der Uni Paderborn.

»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.

Die auf Gleichungen basierenden Ersatzmodelle müssen für jeden Motortyp neu aufgestellt werden. Dazu Wallscheid: »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.«

Die Forscher um Wallscheid entwickelten stattdessen Modelle, 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.

»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.