Institut für Kolbenmaschinen (IFKM)

Entwicklung einer Trainingsumgebung für Reinforcement-Learning Algorithmen zur wirkungsgradoptimierten Steuerung eines Hybrid-Powertrains bei spezifischen Lastpunkten

Aufgabenbeschreibung

Moderne Ottomotoren und Hybridaggregate besitzen eine Vielzahl an Stellgliedern, welche im Zuge der Applikation optimiert werden müssen. Diese Arbeit ist sehr komplex, aufwändig und teuer und verlangt dem Applikateur viel Wissen und Erfahrung ab. Die Nutzung künstlicher Intelligenz kann hierbei durch intensive Exploration vorhandener Daten  neue Zusammenhänge offenlegen und diese nutzbar machen.

Hier ist besonders Reinforcement-Learning zu nennen. Dabei lernt ein sog. Agent eine Umgebung (Environment) kennen und nutzt deren Eigenschaften um zur Verfügung gestellte Aktionen auszuführen. Anschließend erhält er eine Bewertung der Aktion und Informationen über den neuen Zustand der Umgebung.

In dieser Arbeit soll eine solche Umgebung programmiert werden, mit dem Ziel das System eines leistungsverzweigten Hybridantriebsstrang darzustellen. Um die Komplexität und Dimensionalität des Problems einzugrenzen, sollen eine (oder mehrere) geeignete Fahrsituationen abgebildet werden. Hierbei soll das Augenmerk vor allem auf einen Wirkungsgradoptimierten Betrieb liegen, sowie auf der Wahl der geeigneten Parameter zur Applikation der Verbrennungskraftmaschine in der digitalen Umgebung.

Die Aufgabengebiete gliedern sich wie folgt:

  • Einarbeitung in die Thematik und Literaturrecherche (Schwerpunkt Reinforcement Learning)
  • Programmierung einer geeigneten Environment
  • Entwicklung einer geeigneten Rewardfunktion in Bezug auf den Wirkungsgrad
  • Dokumentation der Ergebnisse
Fachrichtung: Maschinenbau, Mechatronik, Wirtschaftsingenieur
Beginn: ab sofort
Art: Simulation
Voraussetzungen:
  • Selbstständigkeit
  • Leistungsbereitschaft
  • Zuverlässigkeit
  • Kenntnisse in Python
  • Kenntnisse der Vorlesung Verbrennungsmotoren I/II sind von Vorteil
  • Kenntnisse elektrischer Maschinen von Vorteil