Proper Hybrid Models for Smarter Vehicles (PHyMoS) Teilvorhaben: Methodenentwicklung und Implementierung in OpenModelica

Hybrid Models, Equation-based Model Reduction, Neural ODEs, Symbolic Regression, Maschine Learning, Data Science, Modelica, OpenModelica

Fachhochschule Bielefeld
Fachbereich Ingenieurwissenschaften und Mathematik
Interaktion 1
33619 Bielefeld

Projektbeteiligung

Robert Bosch GmbH
ESI ITI GmbH
LTX Simulation GmbH
Modelon Deutschland GmbH
TLK-Thermo GmbH
TU Braunschweig
Universität Augsburg
XRG Simulation GmbH


Laufzeit
01.03.2021 – 29.02.2024

Projektförderung

Bundesministerium für Wirtschaft und Energie, Neue Fahrzeug- und Systemtechnologien

Kurzbeschreibung

Das Fahrzeug der Zukunft ist „smart“. Mit zunehmender Selbstverständlichkeit wird erwartet, dass ein Fahrzeug auf Veränderungen in seiner Umgebung flexibel reagieren und selbstständig Entscheidungen fällen kann, um sich optimal an verändernde Randbedingungen anzupassen. Dies bedeutet ein hohes Maß an „self-awareness“, also die Fähigkeit die Auswirkung des eigenen Verhaltens in der Interaktion mit der Umgebung zu prädizieren. Derartige Modelle seiner selbst und der Umgebung schnell, kosteneffizient und in Abwägung von Fidelity und Performanz erstellen zu können ist eine Schlüsselkompetenz. Klassische modellbasierte Ansätze sind häufig mit hohen Entwicklungsaufwänden verbunden. Fortschritte im Bereich der Künstlichen Intelligenz eröffnen neue Optionen sind aber daten-intensiv und bergen andere Risiken. In diesem Projekt sollen hybride (daten- und physikbasierte) Ansätze in konkreten Anwendungen evaluiert werden, um unter Nutzung von vorhandenem physikalischem Vorwissen in dateneffizienter Weise skalierbare „Proper Models“ generieren zu können. Dies wird es zukünftig ermöglichen innovative Produkteigenschaften in wesentlich kürzerer Zeit zu entwickeln und im Fahrzeug zu realisieren.