Frank Willems

Leerstoel

Self-learning powertrains (Faculty Mechanical Engineering, Control Systems Technology, Eindhoven University of Technology).

Onderzoeksgebied

Goederenvervoer vindt grotendeels plaats per vrachtwagen of schip. Deze vervoersmiddelen zijn voorzien van aandrijflijnen die worden aangedreven door verbrandingsmotoren. In de komende decennia blijven verbrandingsmotoren de belangrijkste vorm van aandrijving voor deze zware toepassingen. In de transitie naar klimaat neutrale mobiliteit neemt de complexiteit van aandrijflijnen in de toekomst alleen maar toe als gevolg van de elektrificatie en introductie van warmteterugwinning en steeds efficiëntere verbrandingsconcepten.

Regelsystemen vormen het brein van de aandrijflijn. Dergelijke systemen zijn essentieel om het brandstofverbruik te minimaliseren, te zorgen voor betrouwbare rijprestaties in de praktijk en het gebruik van een breed scala aan duurzame brandstoffen mogelijk te maken, waaronder groene waterstof. De tijd en kosten voor het ontwikkelen van deze aandrijflijnregelingen exploderen bij de gebruikelijke conventionele ontwikkelmethoden Hierdoor staat de industrie voor een keerpunt.

Zelf-lerende systemen zijn noodzakelijk om de complexiteit en diversiteit van de aankomende ultra-schone en -efficiënte voertuigen te adresseren en de ontwikkelingstijd en -kosten tot een minimum te beperken. Hiertoe moeten energie- en emissiemanagementstrategieën in het systeem worden geïntegreerd. Mijn onderzoek is gericht op de ontwikkeling van zelflerende regelconcepten, waarbij de energie-efficiëntie van het gehele aandrijfsysteem wordt geoptimaliseerd door middel van slimme sensoren en routeinformatie.

Belangrijkste publicaties

• Borth, M., Kupper, F., Mulder, L., & Willems, F. (2025). Risk-Averse Decision Support for Optimal Use of Electric Vehicles. IEEE, https://doi.org/10.1109/ITSC58415.2024.10920082
• Vlaswinkel, M. G., & Willems, F. (2023).Cylinder Pressure Feedback Control for Ideal Thermodynamic Cycle Tracking: Towards Self-learning Engines. IFAC-PapersOnLine, 56(2), 8260-8265.https://doi.org/10.1016/j.ifacol.2023.10.1011
• Garg, P., Silvas, E., & Willems, F. (2023).Systematic hyperparameter selection in Machine Learning-based engine control to minimize calibration effort. Control Engineering Practice,140, 105666. https://doi.org/10.1016/j.conengprac.2023.105666