Projekte
Aktuelle Forschungsprojekte
Hier finden Sie ?ffentlich gef?rderte Projekte, an denen sich der Lehrstuhl Mechatronik beteiligt.
Mit heutigen Simulationsmethoden und -tools kann der Waschprozess in einer Autowaschanlage nicht umfassend modelliert werden. In der Folge werden Optimierungen der Waschanlagen und Waschprogrammen in Realtests mit bis zu hundert verschiedenen Fahrzeugen entwickelt und validiert, was einen Aufwand im Wochenbereich entspricht. NACSIM (Neural accelerated Carwash Simulation) zielt darauf ab den Waschprozess umfassend zu modellieren und hochperformant zu simulieren, um ehemals notwendige, ressourcen-, kosten- und zeitintensive Realtests durch Simulationen ersetzen zu k?nnen und somit zu reduzieren. Grundlage hierzu ist die Kombination physikalischer Zusammenh?nge und entsprechender Modelle mit Methoden des maschinellen Lernens.
Das Europ?ische Klimagesetz zielt darauf ab, die Netto-Treibhausgasemissionen bis 2030 um mindestens 55 % zu reduzieren und Europas Wirtschaft und Gesellschaft bis 2050 klimaneutral zu machen. Infolgedessen besteht ein dringender Bedarf, Energieeinsparpotenziale zu nutzen, die zuvor aufgrund niedriger Energiekosten übersehen wurden. Effektive Investitionen in die Energie-, Geb?ude- und Produktionsinfrastruktur, wie beispielsweise die gro?skalige Produktion von grünem Wasserstoff, erfordern die Optimierung der Nutzung dieser Anlagen über volle Tageszyklen im gesamten Jahr. Derzeit existieren nur stark vereinfachte Modelle zur Analyse und Optimierung dieser Szenarien, die oft unzureichend sind, um die gesetzten Ziele zu erreichen.
Um diese Herausforderungen zu bew?ltigen, müssen Standards sowie etablierte Modellierungs- und Simulationswerkzeuge verbessert werden, um mit der Gr??e zu skalieren, zunehmende Komplexit?t zu bew?ltigen und anpassungsf?higere L?sungen bereitzustellen. Dieser Bedarf erstreckt sich weiter auf gro?skalige Systeme (LSS) und verteilte Controller im Edge-Cloud-Kontinuum, die eine verbesserte Laufzeitskalierbarkeit erfordern.
OpenSCALING zielt darauf ab, die offenen Standards Modelica, FMI, eFMI, SSP und verwandte Toolchains zu erweitern, um diese Herausforderungen zu bew?ltigen um das Virtual Engineering sowie den Betrieb zukünftiger nachhaltiger Systeme zu unterstützen. Unser Lehrstuhl konzentriert sich auf die Forschung an Physcis-enhanced Nerual ODEs (PeN-ODEs), um diese Ziele zu unterstützen.
Mehrere industrielle Demonstratoren werden zeigen, wie die Innovationen von OpenSCALING in den Bereichen Energie, Geb?ude, Luftfahrt und Automotive durch die Produktion von grünem Wasserstoff, effizientere W?rmepumpen, Brennstoffzellenantriebe und elektrifizierte Fahrzeuge angewendet werden.
Das KI-Produktionsnetzwerk Augsburg ist ein Zusammenschluss der Universit?t Augsburg, der Technischen Hochschule Augsburg, dem Fraunhofer IGCV und dem DLR ZLP, das im Rahmen der Hightech Agenda Bayern durch die Bayerischen Staatsministerien für Wissenschaft und Kunst und für Wirtschaft, Landesentwicklung und Energie kofinanziert wird. Im KI-Produktionsnetzwerk setzen wir uns dafür ein, die Industrie mit der Forschung und Verb?nden zu vernetzen und somit mehr Aufmerksamkeit für modernste Technologien in den Bereichen KI und Produktionstechnik zu schaffen.
?Durch unser gro?es Netzwerk akquirieren wir neue regionale Forschungsprojekte mit hohem Anwendungspotential. Dadurch wird letztendlich nicht nur das Portfolio der Beteiligten Partner, sondern die Region Augsburg und Schwaben als Wirtschafts- und Forschungsstandort gest?rkt.
?
Das AuxMe besch?ftigt sich im Rahmen des KI-Produktionsnetzwerks mit den Themen KI, Digitaler Zwilling, Netzwerkinfrastruktur und kollaborativer Robotik. Wir sind im Netzwerk durch u.a. zwei leitenden Mitarbeitende zentral vertreten und auf diversen Netzwerkveranstaltungen anzutreffen.
Heutige Entwicklungsaufw?nde für neue Fahrzeugkonzepte sind im Zuge der Megatrends Elektrifizierung und Digitalisierung und den damit verbundenen neuen Wettbewerbern im Automobilsektor zukünftig nicht mehr darstellbar. Diffus3D zielt darauf ab KI-basierte generative 3D Modelle dom?nenspezifisch weiterzuentwickeln, so dass technische Anforderungen im Generierungsprozess von Fahrzeugmodellen berücksichtigt werden.
Viele Menschen mit Behinderung k?nnen nicht hinreichend am Arbeitsleben teilhaben. Das liegt daran, dass Arbeitspl?tze nicht inklusiv genug sind, um die mannigfaltigen Arten von Leistungswandlung und Teilhabebeschr?nkungen auszugleichen. Kollaborative Roboter sind ein wichtiges Werkzeug, um diese Herausforderung zu bew?ltigen. Allerdings erfolgt deren Programmierung heutzutage vornehmlich statisch und erm?glicht keine dynamische und autonome Interaktion mit dem Menschen. Eine bedürfnisoptimale Interaktion ist somit unm?glich.
Wir forschen an Methoden des Mensch-Roboter-Teaming, die es der Maschine erm?glichen in der Zusammenarbeit mit dem Menschen eine h?here Selbstst?ndigkeit zu entwickeln. Menschen mit Behinderungen unterliegen zumeist schwankenden F?higkeiten, die eine optimale Interaktion mit dem Roboter erschweren. Daher forschen wir an hybriden KI-Ans?tzen, die arbeitsmedizinisches Wissen und Maschinelles Lernen verbinden, um die F?higkeiten von Menschen zu quantifizieren. Diese nutzen wir dann als Grundlage, um Roboterbewegungen zu synthetisieren, die Menschen m?glichst optimal in deren Arbeitsalltag unterstützen. Dabei ist der Roboter aber keineswegs bevormundend, sondern der Mensch soll so viel leisten, wie er in der Lage ist. Das f?rdert Akzeptanz und kann auch angelehnten Feldern, wie der Rehabilitation, helfen, Menschen mehr Teilhabe an der Gesellschaft zu erm?glichen.
Abgeschlossene Forschungsprojekte
UPSIM (Unleash Potentials in Simulation) schafft mit insgesamt 31 Partnern aus 7 L?ndern die Voraussetzungen für Unternehmen, Simulation und damit einhergehende KI-Methoden als wesentliche strategische F?higkeit im Entwicklungsverbund zu implementieren. Insbesondere zielt UPSIM darauf ab die KI-unterstützte Simulation zur Sicherstellung der Produktqualit?t und in der Zertifizierung zu verwenden.
?
UPSIM stellt hierfür die folgenden Bausteine bereit:
- Modellierungs- und Simulationsreferenzprozesse und eine Metrik zur Bestimmung des Bereitschaftsgrades von Digital-Twins,
- Kooperationsmuster für eine effiziente Entwicklung von Digital-Twins,
- mit künstlicher Intelligenz angereicherte Hybridsimulationen zur Gew?hrleistung der Konvergenz von Simulation und Realit?t und schlie?lich
- eine Infrastruktur für die "verkettete" Identifizierung von glaubwürdigen Artefakten von Digital-Twin-Simulationen.
Das Fahrzeug der Zukunft ist ?smart“. Mit zunehmender Selbstverst?ndlichkeit wird erwartet, dass ein Fahrzeug auf Ver?nderungen in seiner Umgebung flexibel reagieren und selbstst?ndig Entscheidungen f?llen kann, um sich optimal an ver?ndernde Randbedingungen anzupassen. Dies bedeutet ein hohes Ma? an ?self-awareness“, also die F?higkeit die Auswirkung des eigenen Verhaltens in der Interaktion mit der Umgebung zu pr?dizieren.
Derartige Modelle seiner selbst und der Umgebung schnell, kosteneffizient und in Abw?gung von Fidelity und Performanz erstellen zu k?nnen ist eine Schlüsselkompetenz. Klassische modelbasierte Ans?tze sind h?ufig mit hohen Entwicklungsaufw?nden verbunden. Fortschritte im Bereich der künstlichen Intelligenz er?ffnen neue Optionen sind aber datenintensiv und bergen andere Risiken. In diesem Projekt sollen hybride (daten- und physikbasierte) Ans?tze in konkreten Anwendungen evaluiert werden, um unter Nutzung von vorhandenem physikalischem Vorwissen in dateneffizienter Weise skalierbare ?Proper Models“ generieren zu k?nnen. Dies wird es zukünftig erm?glichen innovative Produkteigenschaften in wesentlich kürzerer Zeit zu entwickeln und im Fahrzeug zu realisieren.
?
?