Maschinenmonitoring und -regelung

Die zunehmende Integrationsdichte von nanoskaligen Halbleiterschaltungen sowie die Anbindung vielfältiger Sensorik und Aktorik steigern die Komplexität und Sensitivität des Systemverhaltens vieler elektronischer und mechatronischer Anwendungen signifikant.

Viele Aufgabenstellungen erfordern daher zunächst eine mathematische Modellierung des jeweiligen Systems z.B. mittels der Methode der finiten Elemente. Aufgrund der vielfach sehr hohen Modellkomplexität kommen oftmals zur Generierung der erforderlichen Echtzeittauglichkeit Modellordnungsreduktionstechniken zum Einsatz. Die resultierenden Modelle können dann Grundlage eines modellbasierten Reglers oder Zustandsschätzers sein sowie per Simulation im Software-in-the-Loop- oder Hardware-in-the-Loop-Setting zur Validierung der abgebildeten Komponenten genutzt werden.

Aktive Schwingungsdämpfung oder Lärmreduktion in Automotive-Applikationen, Signaltracking bei Prüfstands- oder Temperatursteuerungen und Reglerdesign für Smart-Energy-Anwendungen sind typische Aufgabenstellungen im Bereich Regelung.

Zentrale Fragestellungen im Bereich Condition Monitoring ist die Schwingungsprognose und -analyse von rotierenden Antrieben. Insbesondere besteht in der Arbeitsgruppe eine langjährige Erfahrung im Bereich des Torsionsmonitorings rotierender Maschinen insbesondere bei Kraftwerksturbosätzen.

Wir beraten und unterstützen Sie gerne bei

  • der Modellierung und Simulation des Gesamtsystems
  • dem Design modellbasierter, robuster Beobachter/Regler
  • der Analyse der Performance und Robustheit des Gesamtsystems
  • der Integration des Beobachters oder Reglers in ihre Systemhardware
  • dem Rapid Prototyping
  • der Entwicklung innovativer Gesamtsystemlösungen
    z.B. bestehend aus Hardware, Regler/Beobachter und Benutzeroberfläche mit intuitiver Bedienung

 

Beispielprojekte

 

Hardware in the Loop

Echtzeitfähige und robuste Systemmodelle für den Reglerentwurf und dessen Validierung

Aktive Dämpfung

Automatisiertes Reglerdesign zur aktiven Schwingungsdämpfung bei nichtlinearem Aktorverhalten

Prozessanalyse mittels Machine-Learning

Abhängigkeiten der Qualitäts- und Performancegrößen von verschiedenen Prozessparametern