Konzeption und Implementierung eines RL-Agenten zur Optimierung der Charakterisierung von elektrischen Motoren

Kontext:

Mit Blick auf die Transformation hin zu einer CO2-neutralen Gesellschaft ist die Elektrifizierung von Antriebssystemen von wesentlicher Bedeutung. Elektrische Motoren (E-Motoren) sind hierbei zentrale Komponenten, deren effektiver und effizienter Betrieb eine präzise Vermessung wesentlicher Kenngrößen, die sogenannte Charakterisierung, voraussetzt. Bedingt durch eine Vielzahl relevanter Betriebsparameter und den hohen benötigten Detailgrad der Vermessung sind dazu aktuell langwierige und kostenintensive Arbeiten am Prüfstand erforderlich.

Reinforcement Learning (RL) ermöglicht die Entwicklung reaktiver Agenten, welche die Charakterisierung von E-Motoren unterstützen und optimieren. Mithilfe von Simulationsumgebungen und historischen Messdaten sind die Agenten in der Lage, komplexe Abhängigkeiten des E-Motorverhaltens zu erlernen, zu abstrahieren und in dynamische Vermessungsstrategien zu integrieren. So entstehen optimierte Vermessungsprozesse, in denen eine automatisierte und effiziente Verfeinerung der entstehenden Kennfelder erfolgt, während nachteilige Systemeffekte, wie Temperatureffekte, dynamisch vermieden oder kompensiert werden.

Die Arbeit erfolgt in Kooperation mit der weg//weiser GmbH, einem Technologie-Start-up, das fortgeschrittene Prüf- und Analysedienstleistungen für E-Motoren anbietet und diese durch die Integration von KI gezielt erweitern möchte. Im Rahmen der Zusammenarbeit besteht die Möglichkeit, die entwickelte Lösung praxisnah an einem realen Prüfstand unter industrienahen Bedingungen zu optimieren und zu evaluieren.

Ziele:

• Literaturrecherche zum aktuellen Stand der Technik im Bereich RL-Agenten für die E-Motorkontrolle und Parametrierungsstrategien
• Aufbereitung der Datenbasis sowie bedarfsgerechte Anpassung der Simulationsumgebung
• Konzeption und Implementierung eines Agenten zur Optimierung von Vermessungsprozessen
• Integration und Training eines Agenten in einer RL-Trainingsumgebung
• Vergleich und (ggf. praxisnahe) Evaluation der entwickelten Methode

Voraussetzungen:

• Eigenständige und lösungsorientierte Arbeitsweise
• Programmierkenntnisse in Python
• Kenntnisse im Bereich Machine Learning, idealerweise Reinforcement Learning
• Gute Deutsch- und Englischkenntnisse in Wort und Schrift
• Idealerweise Kenntnisse zur grundlegenden Funktionsweise von E-Motoren