Elektromobilität (Prof. Klöffer, Prof. König)
Prof. Dr. Christian Klöffer und Prof. Dr. Patrick König leiten gemeinsam das Electric Mobility Competence Center EMC² am INES.
Ein Teil der Forschungsgruppe EMC² forscht unter der Leitung von Prof. Dr. Christian Klöffer im Bereich von Leistungselektroniken und elektrischen Maschinen für den Mobilitätseinsatz. Dabei liegt der Fokus sowohl auf dem Einsatz im PKW- und Nutzfahrzeugbereich als auch im Einsatz in Pedelecs und elektrischen Fluganwendungen. Kern der Forschungsarbeiten ist der (noch) effizientere Betrieb der Komponenten bei gleichzeitig steigender Leistungsdichte. Kooperationspartner*innen sind unter anderem Automobil- und Zulieferfirmen als auch Universitäten und EU-Forschungsgemeinschaften.
Ein anderer Teil der Forschungsgruppe untersucht unter der Leitung von Prof. Dr. Patrick König verschiedene elektrische Antriebsstrangtopologien (Varianten des Traktionsbordnetzes) mit Batterien und Brennstoffzellen. Im neu gestalteten Wasserstoff- und Brennstoffzellenlabor können dazu Brennstoffzellensysteme untersucht und skaliert werden. Ein Ziel der Forschungsarbeiten ist die Kopplung dieser Systeme mit den Leistungselektroniken und elektrischen Maschinen für einen effizienten Gesamtbetrieb.
Die Forschungsarbeiten finden gemeinsam mit Wissenschaftlichen Mitarbeitenden (Doktorand*innen) statt.
Projekte
A-IQ Ready
Von Quantensensorik und künstlicher Intelligenz
Der beginnende Klimawandel, weit verbreitete geopolitische Konflikte und soziale Ungleichheiten machen deutlich, dass Innovationen und Veränderungen notwendig sind, um eine bessere Welt zu schaffen.
Mit dem Projekt A-IQ Ready (Artificial Intelligence Using Quantum Measured Information for Realtime Distributed Systems at the Edge) haben sich 50 Projektpartner aus 15 Ländern (darunter die Hochschule Offenburg) zusammengeschlossen, um sich mit breiter Front den Problemen unserer und der bevorstehenden Zeit zu stellen. Ausgerüstet mit Cutting-edge-Technologien wie Quantensensorik und künstlicher Intelligenz arbeiten die Projektpartner in acht Supply Chains an neuartigen Methoden, um die Herausforderungen der Zukunft zu bewältigen.
Als Teil der Supply Chain "Propulsion Health and Availability in Safety-Critical Situations" forscht die Hochschule Offenburg an neuronalen Netzen und maschinellen Lernmethoden, um die Elektromobilität der Zukunft sicherer zu machen: Die Entwicklung neuartiger Quantensensorik wird Einblicke in das physikalische Verhalten hochausgelasteter Elektromotoren geben, die den Forscher*innen und Ingenieur*innen bisher verborgen waren. Dadurch sollen ein besseres Verständnis für das physikalische Verhalten des Motors in Fehlerfällen erlangt sowie Aussagen über den State-of-Health (SOH) und die Wahrscheinlichkeit eines bevorstehenden Ausfalls getroffen werden. Da die genauen Datenzusammenhänge schwer nachvollziehbar sind, werden an der Hochschule Offenburg neuronale Netze darauf trainiert, sich das Verhalten des Motors auf Basis der oben beschriebenen Sensordaten anzueignen. So entsteht ein digitales Abbild des Motors, das es erlaubt, ausgehend von problemlos zu messenden Größen auf interne Zustände schließen zu können, die in seriennahen Motoren (ohne teure Quantensensorik) unzugänglich wären.
Neuronale Netze und Machine Learning sind in aller Munde – und markieren unbestritten den State of the Art. Was genau gibt es denn noch zu erforschen?
Diese Frage gewinnt an Bedeutung, wenn man einen Arbeitsschritt weiterdenkt: Wie groß muss ein neuronales Netz eigentlich sein, um die bereitstehenden Informationen (sog. Trainingsdaten) sinnvoll erlernen und performant nutzen zu können? Wie genau bringt man dem Netz die Trainingsdaten überhaupt nahe? Sollten am besten alle Daten auf einmal vermittelt werden oder doch lieber Schritt für Schritt in kleinen Datenhäppchen?
Und selbst wenn der richtige Riecher oder ein Quäntchen Glück ein präzises neuronales Netz hervorgebracht hat, wird das Hinterfragen längst nicht obsolet, denn: Vielleicht gibt es ja andere Konfigurationen, die bei derselben Datengrundlage zu noch besseren Ergebnissen führen? Oder solche, die ähnlich präzise sind, aber dafür viel weniger Trainingszeit benötigen?
Genau diesen Fragen ging die Hochschule Offenburg im Rahmen des AIQ Ready Projekts auf die Spur: Für eine Fallstudie wurden verschiedene Einstellungsmöglichkeiten (sog. Hyperparameter) ausgewählt und hinsichtlich ihres Einflusses auf die Güte fertig trainierter Netze und die Trainingsdauer untersucht. Dabei zeichneten sich interessante Wirkmuster ab: Bereits kleine Unterschiede bei der Wahl der Hyperparameter können über Erfolg und Fehlschlag entscheiden.
Ein ausgewähltes Beispiel hierfür ist in Abb. 1 dargestellt: Zu sehen sind die Reaktionen zweier fertig trainierter neuronaler Netze (gelber Graph für Netz 1, blauer Graph für Netz 2, Abb. 1 oben) auf dieselbe Eingabesequenz (drei Graphen, Abb. 1 unten). Je eher die Ausgabe der Netze mit dem durch Messung bestimmten Referenzergebnis (oranger Graph, Abb. 1 oben) übereinstimmt, desto präziser sind sie. Beide Netze sind gleich aufgebaut und wurden mit identischen Daten trainiert – einzig die Untergliederung dieser Trainingsdaten in besagte Datenhäppchen ist unterschiedlich.
Der Einfluss hingegen ist gravierend: Während die Ausgabesequenz von Netz 1 überhaupt nichts mit dem Referenzergebnis gemein hat, performt Netz 2 fast deckungsgleich mit der Referenz. Bezogen auf elektrische Motoren bedeutet das: Netz 2 imitiert das Betriebsverhalten eines Motors sehr gut und kann entsprechend als digitales Abbild verwendet werden, Netz 1 hingegen arbeitet völlig an der Realität vorbei und ist entsprechend ungeeignet.
Eine interessante Erkenntnis der geleisteten Forschungsarbeit ist, dass die Größe der Netze für die gewählte Architektur (um ganz konkret zu sein, wurden Neuronale Zustandsraummodelle verwendet) von untergeordneter Bedeutung ist: Schon wenige vernetzte künstliche Neuronen reichen aus, um performante Netze zu konstruieren. Ist eine schmale Schwelle zu kleiner, untauglicher Netze überschritten, führt selbst eine Vervielfachung der verwendeten Neuronen nur noch zu marginalen Verbesserungen.
Die Untersuchungen zeigten auch, dass vor allem den erwähnten 'Datenhäppchen' (sog. Batches) eine signifikante Bedeutung zukommt. Zu versuchen, alle Daten auf einmal anzutrainieren ist demnach eine denkbar schlechte Idee. Zu viele zu kleine Häppchen hingegen verlangsamen das Training erheblich (rote Marker, Abb. 2) und führen ebenfalls zu weniger präzisen Ergebnissen. Ein Sweet Spot konnte für Batches mit einer Länge von 50-100 Datenpunkten identifiziert werden (türkise und blaue Marker, Abb. 2). In diesem Zusammenhang wurde noch eine weitere Eigenschaft untersucht: Was passiert eigentlich, wenn man den Batches gestattet, sich etwas zu überlappen – sprich sich Datenpunkte zu teilen?
Hier zeigten die Forschungen ein ganz eindeutiges Ergebnis: Je stärker sich die Batches überlappen, desto besser funktionieren die durch sie trainierten neuronalen Netze! Nachteilig ist jedoch, dass damit auch die Trainingsdauer ansteigt, da Datenpunkte hierdurch mehrfach berücksichtigt werden. Somit stehen Anwendenden Stellschrauben bereit, die je nach Zeitreserve und Güteansprüche eingestellt werden können.
Die ausführlichen Ergebnisse wurden 2025 auf der International Electric Machines and Drives Conference (IEMDC) in Houston/Texas erstmals vorgestellt und als Paper bei IEEE veröffentlicht: https://doi.org/10.1109/IEMDC60492.2025.11061168
Förderprogramm
A-IQ READY wird im Rahmen des Gemeinsamen Unternehmens für digitale Schlüsseltechnologien (KDT JU) - der öffentlich-privaten Partnerschaft für Forschung, Entwicklung und Innovation im Rahmen von Horizont Europa - und der nationalen Behörden unter der Finanzhilfevereinbarung Nr. 101096658 gefördert.
Projektpartner
50 Projektpartner aus 15 europäischen Ländern
Projektzeitraum
Februar 2023 bis März 2026
Website
A-IQ Ready-Homepage
iFEMA
Integrale Forschung Energie für Elektromobilität: Vom Modell zur Anwendung
Elektrofahrzeuge sind ein wesentlicher Bestandteil der Energiesysteme der Zukunft. Deshalb sollten sie – sowohl wenn sie unterwegs sind als auch wenn sie geladen werden – effizient und nachhaltig sein.
Um die Energieversorgung der Elektromobilität nachhaltig, effizient und versorgungssicher zu gestalten, werden im Projekt iFEMA alle relevanten Skalen für Elektrofahrzeuge kombiniert: das Verteilnetz mit regenerativen Erzeugungsanlagen, die Ladestation im lokalen Energiesystem (Microgrid), das Bordnetz des Fahrzeugs und der Batteriespeicher. Dadurch sollen inhärente Zielkonflikte zwischen Netzdienlichkeit und Schnellladung, zwischen bidirektionalem Laden und Batterielebensdauer, zwischen Klimafreundlichkeit und Nutzeranforderungen, zwischen Gesamteffizienz und Teilwirkungsgraden aufgelöst werden.
Einerseits wird dafür ein digitaler Zwilling des Gesamtsystems aufgebaut, mit dem ein optimales Energiemanagement entwickelt wird. Dafür kommen verschiedene Methoden zum Einsatz – vom maschinellen Lernen bis zum physikalisch-chemischen Modell. Andererseits wird ein experimenteller Zwilling aufgebaut, der die vollständige Skalenkopplung in einer kontrollierten Laborumgebung ermöglicht.
Beteiligte Forschungsgruppen am INES
Elektrische Energiespeicherung (EES), Elektromobilität (EMC²), Intelligente Energienetzwerke (IEN)
Förderung
Carl-Zeiss-Stiftung („CZS Transfer – Energiesysteme der Zukunft“)
Laufzeit
April 2023 - März 2026
6-Phasen-Fahrzeug-Inverter
Insbesondere auch im Blick auf zukünftige Bestrebungen in Richtung des autonomen Fahrens werden fehlertolerante Antriebstopologien immer wichtiger. Ein Ansatz, um elektrische Maschinen, die ohnehin sehr ausfallresistent sind, noch sicherer zu machen, bieten 6-Phasen-Maschinen. Hierbei werden die elektrischen Wicklungen doppelt ausgeführt. Dies erfordert auch eine 'doppelte' Invertertopologie. Hierfür sind die Steuer- und Regelungsalgorithmen deutlich komplexer. Diese werden im Rahmen mehrerer Teilprojekte entwickelt und deren Funktionalität getestet.
AI4CSM
Als Konsortialpartner des europäischen Projekts entwickeln wir zum einen KI-basierte Algorithmen zur Diagnose der elektrischen Maschine in einem Antriebsstrang. Zum anderen untersuchen wir Möglichkeiten, im Falle eines Hardwaredefektes in der elektrischen Maschine durch neuartige Regelungsalgorithmen die Maschine weiterzubetreiben.
Black Forest Formula Team (BFFT)
Das Black Forest Formula Team der Hochschule Offenburg hat es sich zum Ziel gesetzt, einen elektrischen Rennwagen von Grund auf neu zu entwickeln und mit diesem bei Rennen in der Formula Student zu starten. Rund 20 hochmotivierte Bachelor- und Master-Studierende mit interdisziplinärem Hintergrund arbeiten daran, den 400 Volt-Rennwagen zu konstruieren und zu fertigen, den Business Plan und den Cost Report zu erstellen, sowie Marketing- und Kommunikationsmaßnahmen umzusetzen.
Multiphasenmaschinen
Mehrphasige Maschinen (Multiphasenmaschinen), mit einer Phasenzahl größer drei, bieten eine Vielzahl neuartiger Ansteuermethoden. In dem laufenden Projekt wird untersucht, ob durch gezielte Auslegungsmaßnahmen positive Leistungseffekte basierend auf elektromagnetischen Oberwellen erzielt werden können.
Stranggrößenbasierte Maschinenregelung
Die heute üblichen Regelungsansätze für elektrische Maschinen stammen meist aus einer Zeit, als sie hauptsächlich für elektrische Maschinen im Industrieeinsatz verwendet wurden. Im Gegensatz zu Industriemaschinen spielen für Traktionsmaschinen im Fahrzeug unter anderem der Bauraum und das Gewicht eine große Rolle. Aus diesem Grund wird bei Traktionsmaschinen versucht, beispielsweise weniger Eisen zu verwenden, um die Maschine leichter bauen zu können, und durch neue Wicklungskonzepte die axiale Länge der Maschine zu minimieren. Beide Ansätze führen zu ungewollten (Oberwellen-)Effekten in der Maschine. Mit herkömmlichen Regelungsansätzen kann diesen Effekten nur begrenzt entgegengewirkt werden. Die stranggrößenbasierte Regelung erarbeitet hierfür im Rahmen einer Dissertation einen völlig neuen Regelungsansatz.
Verriegelungszeitoptimierte Maschinenregelung
Um einen Inverter betriebssicher betreiben zu können und Beschädigungen ausschließen zu können, müssen mit Blick auf die Halbleiterschalter bestimmte Sicherheitsfaktoren eingehalten werden. Werden, wie heute üblich, ein Teil dieser Sicherheitsfaktoren pauschal sehr konservativ gewählt, führt dies zu einer Reduktion der maximalen Inverterleistung. Im Rahmen des Projektes wird ein innovativer Ansatz verfolgt, um die Sicherheitsfaktoren im Betrieb adaptiv nachzuführen. Das Ziel ist es, nachzuweisen, dass eine Leistungssteigerung von zwei bis drei Prozent möglich ist.
Weitere Informationen
Übersicht über die Leistungsdaten von Prüffeldern
Übersicht über die Leistungsdaten des Prüffelds für elektrische Antriebstechnik (Prof. Klöffer)
Elektrische Maschine:
Mechanische Leistung: < 300 kW
Mechanische Drehzahlen: < 20.000 1/min
Drehmomente: <500 Nm
AC-Spannungsamplitude: < 500 V
AC-Stromamplitude: < 800 A
DC/AC-Wandler:
DC-Spannung: < 900 V
AC-Stromamplitude: < 800 A
Energiespeicher:
DC-Strom: < 900 A
DC-Spannung: < 900 V
Übersicht über die Leistungsdaten des Prüffelds für elektrische Antriebstechnik (Prof. Klöffer)
Gasüberwachungssensorik (H2, CO, CO2 und Kältemittel)
Gasversorgung (H2, N, synthetische Luft, weitere Gasgemische)
Einhausung mit Ventilation
Weitere Übersichten
Eine Übersicht über das Projekt ifemo, Forschungsschwerpunkte und Entwicklungen in der Elektromobilität am RIZ Energie, haben Christian Klöffer und Patrick König in einem Radiointerview gegeben, das auf der Seite von Radio Dreyeckland nachgehört werden kann.
Team EMC²
Leitung Forschungsgruppe EMC²