CD-Labor für Digitaler Zwilling für verteiltparametrische Systeme

Ein digitaler Zwilling ist ein virtuelles Abbild eines physischen Systems und ist über Sensoren in Echtzeit mit diesem verbunden. Dieses CD-Labor erforscht digitale Zwillinge von komplexen Systemen mit heterogen im Raum verteilten Bedingungen, z.B. Brennstoffzellen und Batterien im Automobil, Elektrolyseure sowie Elastomer-Extrusionsprozesse.

Schäden in einer Brennstoffzelle oder Batterie werden immer lokal ausgelöst. In ähnlicher Weise hängt die Produktqualität in einem Extrusionsprozess entscheidend von der lokalen Temperatur- und Druckverteilung ab. Das heißt, die Bedingungen bzw. Parameter im System müssen mit einem Netzwerk an Sensoren so erfasst werden, dass man lokale Vorgänge in ausreichender Komplexität erfassen und mathematisch beschreiben kann. Mithilfe dieser Daten wird ein virtuelles Modell des Systems parametrisiert und laufend aktualisiert. Dieses virtuelle Modell wird digitaler Zwilling genannt. Dieses CD-Labor erforscht alle Schritte dieses komplexen Zusammenspiels.

Es untersucht die in-situ-Sensorik und mögliche Soft-Sensoren zur Optimierung der Prozessüberwachung. Ein weiterer Fokus ist die Fähigkeit von digitalen Zwillingen, zu lernen und sich im Laufe der Zeit anzupassen. Je mehr Daten gesammelt und analysiert werden, desto genauer kann der digitale Zwilling werden und desto mehr wertvolle Erkenntnisse über die Systemleistung kann er liefern. Dies ermöglicht eine kontinuierliche Optimierung und Verbesserung, was im Laufe der Zeit zu größerer Effizienz und Kosteneinsparungen führt.

Ein dritter großer Arbeitsbereich ist die Entwicklung von Methoden zur effektiven Überwachung der Systemleistung. Dazu gehören z.B. die Identifikation und Beobachtung von Stressoren für die verschiedenen Komponenten. Auf der Grundlage dieser Methoden soll die Entwicklung von Prognosen für die Lebenserwartung oder die Produktqualität in Angriff genommen werden. Sogenannte verteilte Zustandsbeobachter ermöglichen eine präzisere Modellierung des physischen Systems. Sie können Fehler oder Anomalien im physischen System frühzeitig prognostizieren und somit eine proaktive Wartung ermöglichen. Außerdem können sie die Optimierung des Systems in Echtzeit erleichtern.