Secondmind zur Validierung fortschrittlicher Motorentechnologien

Neue Methoden ermöglichen es Ingenieuren, die Machbarkeit und die Einschränkungen von Entwürfen in hoher Dimensionalität zu visualisieren (Foto: Secondmind).

Die zunehmende Komplexität des Antriebsstrangs ist der Preis, den OEMs für die Emissionsreduzierung bei Nutzfahrzeugen und Off-Highway-Maschinen zahlen mussten. Es geht nicht nur um Dieselpartikelfilter (DPF), Abgasrückführung (AGR), selektive katalytische Reduktion (SCR) und immer ausgefeiltere Turboladersysteme. Die eigentliche Herausforderung liegt im Zusammenspiel dieser Systeme, was den Aufwand für Konstruktion und Kalibrierung exponentiell erhöht.

Obwohl der regulatorische Druck vorübergehend nachgelassen hat, ist die technische Agenda noch lange nicht abgeschlossen. Um die Ziele zu erreichen, besteht weiterhin Spielraum, Emissionen und Kraftstoffverbrauch mit Leistung und Drehmoment in Einklang zu bringen. Beispielsweise kann die Verkleinerung der Motoren dazu beitragen, diese Probleme zu lösen und gleichzeitig Maschinenkosten, Bauraum und Gewicht positiv zu beeinflussen, vorausgesetzt, die Leistung kann unter realen Betriebsbedingungen zuverlässig bereitgestellt werden.

Nick Appleyard, Secondmind

Gleichzeitig sehen sich OEMs mit einer steigenden Nachfrage nach vielfältigen Antriebsvarianten konfrontiert, die auf spezifische Märkte, Anwendungen und Betriebszyklen zugeschnitten sind. Mit zunehmender Systemkomplexität wird die Entwicklung, Validierung und Unterstützung dieser Varianten immer problematischer.

Dennoch hat die Energiewirtschaft bemerkenswerte Fortschritte erzielt – die regulierten Schadstoffe wurden um mehr als 95 % reduziert, während die Leistungsdichte deutlich gesteigert werden konnte. Dies bleibt jedoch nicht ohne Folgen.

Die daraus resultierenden Probleme, wie beispielsweise thermisch überlastete AGR-Ventile, Ammoniakablagerungen in SCR-Systemen oder DPF-Regenerationsfehler, deuten auf Schwierigkeiten bei der Steuerung mehrerer Parameter hin. Diese Probleme werden oft als inhärente Zuverlässigkeitsrisiken dargestellt, lassen sich aber häufiger auf Konstruktions- und Kalibrierungsentscheidungen zurückführen, die unter starkem Zeit- und Ressourcenmangel getroffen wurden.

Die Leistungsfähigkeit und Grenzen der Simulation

Simulationsbasierte Entwicklung ist heute bei Motorenherstellern und ihren Zulieferern Standard. Numerische Strömungsmechanik (CFD), Finite-Elemente-Analyse (FEA) und Systemmodelle bilden die Grundlage für Entwicklung und Validierung, lange bevor die physische Hardware existiert. Dieser modellbasierte Entwicklungsansatz ermöglicht schnellere Iterationen, geringere Entwicklungskosten und fundiertere Entscheidungen als herkömmliche Test-First-Methoden.

Dennoch fühlen sich nur wenige Ingenieurorganisationen weniger eingeschränkt. Jegliche Vorteile aus einer schnelleren virtuellen Entwicklung werden umgehend in höhere Leistungsziele, engere Emissionsmargen und breitere Betriebsbereiche reinvestiert. Simulationskapazität schafft keine Spielräume; sie erhöht lediglich die Erwartungen.

Simulationen sind zudem alles andere als günstig. Ein einzelner Durchlauf beansprucht teure Rechenressourcen und die Arbeitszeit spezialisierter Ingenieure, während Softwarelizenzen pro Arbeitsplatz Zehntausende von Dollar kosten können. Einzelne Simulationen können Stunden dauern, und eine einzelne Designstudie kann Hunderte von Durchläufen erfordern. In diesem Umfeld liegt der Vorteil nicht in der Anzahl der durchgeführten Simulationen, sondern in der Auswahl der wirklich relevanten.

Wenn die menschliche Intuition an ihre Grenzen stößt

Erfahrene Maschinenbau- und Leistungsingenieure können mehrere interagierende Parameter analysieren und oft fünf oder sechs Variablen souverän und intuitiv im Blick behalten. Die neuesten emissionsarmen Antriebsstränge bewegen sich jedoch weit jenseits dieser Komfortzone, da Dutzende eng miteinander verknüpfter Variablen gleichzeitig das Verhalten beeinflussen. Viele dieser Zusammenhänge sind nichtlinear, was ihre eigenständige Erfassung besonders schwierig macht.

Künstliche Intelligenz in Ingenieursqualität liefert Ingenieuren Einblicke in realisierbare Parameterkombinationen (Foto: Secondmind).

Die Verbrennung liefert ein anschauliches Beispiel. Die Geometrie von Ventilen, Kolbenmulden, Einspritzdüsen, Bohrung und Hub, Verdichtungsverhältnis und Drall beeinflussen gemeinsam mit Steuerungsparametern wie Einspritzzeitpunkt, Druck, Einspritzmengenformung und Mehrfacheinspritzstrategien. Jeder Parameter ist wichtig, doch ihre kombinierten Auswirkungen sind selten intuitiv.

Optimale Lösungen sind oft kontraintuitiv. Ein gutes Beispiel dafür liefert der Profi-Radsport: Jahrzehntelang gingen die Teams davon aus, dass schmalere Reifen mit höherem Druck den Rollwiderstand minimieren. Diese vermeintlich optimale Strategie prägte das Denken über vierzig Jahre lang, und erst nach sorgfältigen Experimenten stellten Analysten fest, dass breitere Reifen mit niedrigerem Druck unter realen Bedingungen oft schneller waren. Das wahre Optimum lag also direkt vor unseren Augen.

Dies ist keine Frage von Können oder Erfahrung. Die Ingenieurausbildung lehrt Vereinfachung durchaus als Überlebensstrategie. Werden Systeme jedoch wirklich multidimensional, kann diese Gewohnheit den Spielraum zu früh einengen, sodass plausible Lösungen unentdeckt bleiben, nur weil sie außerhalb des Bekannten liegen.

Maschinelles Lernen auf Ingenieursniveau

Die jüngste Aufmerksamkeit für künstliche Intelligenz, insbesondere für große Sprachmodelle, hat in Ingenieurskreisen sowohl Begeisterung als auch Besorgnis ausgelöst. Eine häufige Sorge ist, ob KI-Werkzeuge Fachkräfte ersetzen könnten. Im Kontext der Antriebsentwicklung ist diese Sorge jedoch unbegründet.

Entwicklung robuster Kalibrierungen für komplexe Motoren bei minimalem Prüfstandzeitaufwand (Foto: Secondmind)

Secondmind ist ein Unternehmen, das maschinelles Lernen speziell für technische Anwendungsfälle entwickelt, anstatt allgemeine KI-Werkzeuge anzupassen. Die Methoden sind probabilistisch, nicht generativ, und für Situationen konzipiert, in denen Daten knapp, teuer und langsam zu erheben sind. Diese Arbeit basiert auf Forschungsprojekten der Universität Cambridge unter der Leitung von Professor Carl Rasmussen, der gleichzeitig Chief Science Officer von Secondmind ist. Der Fokus liegt dabei auf Entscheidungsfindung unter Unsicherheit und nicht auf großflächigen Vorhersagen.

Ziel ist nicht die Automatisierung von Ingenieurentscheidungen. Vielmehr geht es darum, das Problem umfassender zu beleuchten, als es Zeit und Budget sonst zulassen würden. Maschinelles Lernen priorisiert, wo Simulationsaufwand sinnvoll ist und wo die Unsicherheit hoch bleibt. Ingenieure entscheiden dann über die weitere Vorgehensweise. Der Wert liegt in dieser Arbeitsteilung: Berechnungen liefern Optionen, Erfahrung hilft bei der Auswahl.

Optionen länger offen halten

Anstatt sich frühzeitig auf eine enge Designrichtung festzulegen, ermöglicht die Technologie den Ingenieuren, mehrere praktikable Optionen längerfristig zu prüfen. Dadurch lassen sich Kompromisse explizit bewerten, anstatt sich auf frühe Annahmen zu versteifen, die sich später als schwer zu revidieren erweisen. Indem Teams ein umfassenderes Bild akzeptabler Lösungen und ihrer Grenzen entwickeln, erhalten sie eine realistischere Einschätzung von Chancen und Risiken.

Entscheidend ist, dass Unsicherheiten nicht länger verborgen bleiben. Bereiche mit Wissenslücken werden sichtbar gemacht, was gezielte Untersuchungen anstelle einer pauschalen Abdeckung ermöglicht. Dies führt zu robusteren Konstruktionen und weniger Überraschungen bei der späteren Hardwareentwicklung.

Die Ökonomie intelligenterer Simulationen

Für Projektmanager im Ingenieurwesen, die unter ständigem Budgetdruck stehen, ist die Solver-Geschwindigkeit nur ein Teil der Gleichung. Viel wirkungsvoller ist es, den Simulationsaufwand gezielt einzusetzen. Indem Bereiche hoher Unsicherheit identifiziert und diese Bereiche fokussiert werden, steuert probabilistisches maschinelles Lernen jede neue Simulationsreihe so, dass sie maximale Informationen liefert.

Dieser gezielte Ansatz reduziert die Anzahl der benötigten Simulationen nachweislich um rund 80 % und erhöht gleichzeitig die Zuverlässigkeit der Ergebnisse. Die Vorteile liegen nicht nur in geringeren Rechenkosten, sondern auch in einer veränderten Nutzung der Entwicklungszeit: weg von repetitiven Ausführungen hin zu Interpretation und Entscheidungsfindung. Entwicklungszyklen verkürzen sich, die Zusammenarbeit verbessert sich und Nacharbeiten in späten Phasen werden seltener.

Konstruktion und Kalibrierung

Die gleiche grundlegende Komplexität zieht sich durch das gesamte Programm, von der frühen Entwurfsphase bis hin zur Prüfzelle. Bei der Kalibrierung müssen die Ingenieure Kennfelder erstellen, die Einspritzzeitpunkt, Raildruck, Luftführung und Emissionswerte über den gesamten Betriebsbereich hinweg optimal aufeinander abstimmen. Auch hier liegt das Problem im Umfang: Es gibt weitaus mehr Kombinationsmöglichkeiten, als ein einzelner Ingenieur sinnvollerweise ohne Hilfsmittel bewerten kann.

Durch die Anwendung derselben probabilistischen Machine-Learning-Verfahren auf die Kalibrierung können Teams die Testzellenzeit, den Kraftstoffverbrauch und die Iterationszyklen reduzieren und gleichzeitig die Sicherheit erhöhen, dass kritische Betriebsbereiche nicht übersehen wurden. Was auf einem Whiteboard noch überschaubar erscheint, wird schnell unübersichtlich, sobald reale Betriebsbereiche ins Spiel kommen.

Ein Wandel in der Ingenieurskultur

Das Ergebnis ist nicht die Abschaffung der Intuition, sondern deren Stärkung. Entscheidungen werden von einer verteidigungsfähigen zu einer beweisbaren Angelegenheit, während Simulationen sich von einem notwendigen Engpass zu einem Wettbewerbsvorteil entwickeln. Ingenieure behalten die Verantwortung für ihre Entscheidungen, gewinnen aber einen besseren Einblick in Abwägungen, Risiken und Chancen.

Da Antriebssysteme immer komplexer werden, ist dieser Wandel von entscheidender Bedeutung. Emissionsnormen, alternative Kraftstoffe, Hybridisierung und Elektrifizierung erhöhen die Anforderungen zusätzlich. Organisationen, die umfassend analysieren, fundierte Entscheidungen treffen und Komplexität effektiv bewältigen können, werden schneller und mit weniger Fehlern vorankommen als jene, die sich weiterhin nur auf eng gefasste Analysen und mühsam erworbene Intuition verlassen.

Dieser Artikel wurde von Nick Appleyard, US-Landesmanager bei Secondmind, verfasst. Er ist außerdem Geschäftsführer der NAFEMS ASSESS-Initiative, die Industrie, Regierung und Wissenschaft zusammenbringt, um den Einfluss von Simulationen im digitalen Engineering und in der Produktentwicklung zu erweitern.