Aufgabenbeschreibung

Hybridaggregate im Allgemeinen und leistungsverzweigte im Besonderen, weisen eine hohe Komplexität in der Applikation auf. Hierfür wird eine große Anzahl an Prüfstandsstunden benötigt, um diese durchzuführen. Jene sind äußerst kostenintensiv, weshalb es Bestrebungen zur Reduktion derer gibt.

Darüber hinaus erfordert eine Applikation eines Powertrains viel Erfahrung und einen großen Wissensschatz des Entwicklers. Mittels künstlicher Intelligenz kann zumindest eine Teilmenge der Applikationsparameter automatisiert exploriert werden. Hierfür eignet sich besonders Reinforcement-Learning. Neuere Ansätze basieren auf Neuronalen Netzen, deren Netzarchitektur hierfür angepasst werden muss, um beispielsweise ein Schwingen der Regelstrecke zu unterbinden.

Ziel dieser Arbeit soll sein, geeignete Reinforcement-Learning Agenten zu finden, diese zu beschreiben und für eine optimale Steuerung einer simulativen Umgebung eines leistungsverzweigten Hybridantriebsstrangs anzupassen. Anschließend soll eine vergleichende Versuchsreihe verschiedener Agenten in einer Simulationsumgebung (Environment)  des Powertrains stattfinden.

Die Aufgabengebiete gliedern sich wie folgt:

• Einarbeitung in die Thematik und Literaturrecherche (Schwerpunkt Reinforcement Learning)
• Auswahl geeigneter Reinforcement-Learning Agenten (Stable-Baselines)
• Adaption der Hyperparameter und Netzarchitektur zu güteoptimalen Steuerung
• Simulationsversuchreihe
• Dokumentation der Ergebnisse

• Selbstständigkeit
• Leistungsbereitschaft
• Zuverlässigkeit
• Kenntnisse in Python wünschenswert
• Kenntnisse der Vorlesung Verbrennungsmotoren I/II sind von Vorteil
• Kenntnisse elektrischer Maschinen von Vorteil