Projekte
Aktuelle Forschungsprojekte
Hier finden Sie öffentlich geförderte 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 können und somit zu reduzieren. Grundlage hierzu ist die Kombination physikalischer Zusammenhänge und entsprechender Modelle mit Methoden des maschinellen Lernens.
Das Europäische 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-, Gebäude- und Produktionsinfrastruktur, wie beispielsweise die großskalige 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 bewältigen, müssen Standards sowie etablierte Modellierungs- und Simulationswerkzeuge verbessert werden, um mit der Größe zu skalieren, zunehmende Komplexität zu bewältigen und anpassungsfähigere Lösungen bereitzustellen. Dieser Bedarf erstreckt sich weiter auf großskalige 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 bewältigen 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, Gebäude, Luftfahrt und Automotive durch die Produktion von grünem Wasserstoff, effizientere Wärmepumpen, Brennstoffzellenantriebe und elektrifizierte Fahrzeuge angewendet werden.
Das KI-Produktionsnetzwerk Augsburg ist ein Zusammenschluss der Universität 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 Verbänden zu vernetzen und somit mehr Aufmerksamkeit für modernste Technologien in den Bereichen KI und Produktionstechnik zu schaffen.
Durch unser großes 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 gestärkt.
Das AuxMe beschäftigt 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 Entwicklungsaufwände 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 domänenspezifisch weiterzuentwickeln, so dass technische Anforderungen im Generierungsprozess von Fahrzeugmodellen berücksichtigt werden.
Viele Menschen mit Behinderung können nicht hinreichend am Arbeitsleben teilhaben. Das liegt daran, dass Arbeitsplätze nicht inklusiv genug sind, um die mannigfaltigen Arten von Leistungswandlung und Teilhabebeschränkungen auszugleichen. Kollaborative Roboter sind ein wichtiges Werkzeug, um diese Herausforderung zu bewältigen. Allerdings erfolgt deren Programmierung heutzutage vornehmlich statisch und ermöglicht keine dynamische und autonome Interaktion mit dem Menschen. Eine bedürfnisoptimale Interaktion ist somit unmöglich.
Wir forschen an Methoden des Mensch-Roboter-Teaming, die es der Maschine ermöglichen in der Zusammenarbeit mit dem Menschen eine höhere Selbstständigkeit zu entwickeln. Menschen mit Behinderungen unterliegen zumeist schwankenden Fähigkeiten, die eine optimale Interaktion mit dem Roboter erschweren. Daher forschen wir an hybriden KI-Ansätzen, die arbeitsmedizinisches Wissen und Maschinelles Lernen verbinden, um die Fähigkeiten von Menschen zu quantifizieren. Diese nutzen wir dann als Grundlage, um Roboterbewegungen zu synthetisieren, die Menschen möglichst 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 fördert Akzeptanz und kann auch angelehnten Feldern, wie der Rehabilitation, helfen, Menschen mehr Teilhabe an der Gesellschaft zu ermöglichen.
Abgeschlossene Forschungsprojekte
UPSIM (Unleash Potentials in Simulation) schafft mit insgesamt 31 Partnern aus 7 Ländern die Voraussetzungen für Unternehmen, Simulation und damit einhergehende KI-Methoden als wesentliche strategische Fähigkeit im Entwicklungsverbund zu implementieren. Insbesondere zielt UPSIM darauf ab die KI-unterstützte Simulation zur Sicherstellung der Produktqualität 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 Gewährleistung der Konvergenz von Simulation und Realität und schließlich
- eine Infrastruktur für die "verkettete" Identifizierung von glaubwürdigen Artefakten von Digital-Twin-Simulationen.
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 modelbasierte Ansätze sind häufig mit hohen Entwicklungsaufwänden verbunden. Fortschritte im Bereich der künstlichen Intelligenz eröffnen neue Optionen sind aber datenintensiv 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.