Fraunhofer-Institut für Betriebsfestigkeit und Systemzuverlässigkeit LBFPermanente Zustandsidentifikation und Degradationsbestimmung im Systembetrieb
Mehrkörpersimulationsmodell der Trailer-Achse in MSC.Adams
KI-basiertes Elastomerlager-Monitoring in LKW-Trailern
Elastomerlager werden ausgelegt und eingesetzt, um die Systemdynamik mechatronischer Systeme (wie Fahrzeugachsen) zu optimieren. Ihr Übertragungsverhalten ändert sich aber im Laufe der Zeit aufgrund verschiedener Einflüsse, u.a. durch thermische, chemische und mechanische Belastung, sodass sich die Systemdynamik mit signifikantem Einfluss auf die (Fahr-) Sicherheit, resultierende Lasten, Beanspruchung und Lebensdauer der Komponenten ändert. Die Identifikation des Elastomerlager-Zustands im Betrieb ist deshalb nötig, um eine eventuelle kritische Degradation des Übertragungsverhaltens zu detektieren.
Klassifikation des Elastomerlager-Zustands mittels KI
Neuronales Netz
Identifikation des Zustands der Fahrwerk-Elastomerlager
Besonders für zukünftig autonom fahrende LKW wird die Selbstdiagnose des Zustands der für die Fahrsicherheit und Belastung kritischen Komponenten an Bedeutung gewinnen. Im vom BMWK geförderten Projekt IdenT hat sich das Fraunhofer LBF u.a. mit der Identifikation des Zustands der Fahrwerk-Elastomerlager von LKW-Trailern beschäftigt. Dafür wurden KI-Algorithmen für die Analyse von Zeitreihen implementiert, die den Zustand der Elastomerlager auf Basis gemessener Beschleunigungssignale an der Achse schätzen. Verschiedene Algorithmen wurden bezüglich Genauigkeit, Rechenzeit und Bedienbarkeit untersucht, bewertet und schließlich eine auf Mini-Rocket basierende Pipeline ausgewählt und sowohl mit Simulationsergebnissen als auch mit Messdaten aus dem ganzen Trailer trainiert und getestet. Der implementierte und optimierte Algorithmus ist in der Lage, den Elastomerlager-Zustand zwischen neu und gealtert mit einer Genauigkeit höher als 80% und mit sehr kurzen Rechenzeiten korrekt zu identifizieren.