Die exakte Vorhersage des dynamischen Verhaltens technischer Systeme mittels physikalischer Modellierungsansätze stellt dort eine Herausforderung dar, wo die wirkenden Mechanismen nur mit großem Aufwand abgebildet werden können. Dies ist unter anderem bei Reibphänomenen der Fall, die dem Systemverhalten nichtlineare, dissipative Anteile hinzufügen. Detaillierte Modellierungsansätze gehen hier meist mit hoher Komplexität und Anwendungsspezifizierung einher. Wo physikalische Modelle nicht zur Verfügung stehen oder nur unter großen Aufwand umsetzbar sind, können Modelle auf Basis maschineller Lernverfahren Abhilfe schaffen. Die Kombination beider Ansätze zu einem hybriden Modell erlaubt eine effiziente Modellbildung dynamischer Systeme.

Den Startpunkt bildet die Modellierung und Validierung des dynamischen Verhaltens eines Doppelpendels mit einstellbarer Reibung in den Gelenken. Dazu sind die Massen- und Steifigkeitsverteilungen des Doppelpendels bereits identifiziert und in einem physikalischen Modell abgelegt. Dieses Modell wird mittels maschineller Lernverfahren um ein Teilmodell zur Abbildung der dissipativen Anteile erweitert.

Im Rahmen des DFG-geförderten Projekts „Hybride Modellierung für die datengetriebene Mehrzieloptimierung von Mehrkörpersystemen“ wird die Methodik zur hybriden Modellierung auf allgemeine Mehrkörpersysteme erweitert und in der Mehrzieloptimierung eingesetzt. Auch hier dient das Doppelpendel als initiales Beispiel. Anschließend wird die entwickelte Methodik auf eine (Mehrlenker-)Hinterachse angewendet. Hierfür dient das bereits am Lehrstuhl vorhandene detaillierte Achsmodell als Vorlage.

Weitere Informationen zum Projekt „Hybride Modellierung für die datengetriebene Mehrzieloptimierung von Mehrkörpersystemen“ sind hier zu finden.

Informationen zum DFG-Schwerpunktprogramm 2353 „Daring More Intelligence – Design Assistants in Mechanics and Dynamics“ finden Sie hier.