Frank Willems

Onderzoeksgebied

Het meeste goederenvervoer vindt plaats per vrachtwagen of schip. Deze vervoersmiddelen zijn voorzien van heavy-duty aandrijfsystemen die worden aangedreven door verbrandingsmotoren. In de komende decennia blijven verbrandingsmotoren de belangrijkste vorm van aandrijving. In de transitie naar klimaatneutrale mobiliteit neemt de complexiteit van aandrijfsystemen in de toekomst alleen maar toe als gevolg van de elektrificatie en introductie van warmteterugwinning en steeds efficiëntere verbrandingsconcepten. Regelsystemen vormen het brein achter het aandrijfsysteem. 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. De ontwikkelingstijd en -kosten voor het ontwikkelen van aandrijfsystemen met de gebruikelijke regelsystemen beginnen zo onaanvaardbaar ver op te lopen dat de industrie in de nabij toekomst voor een keerpunt zal komen te staan. Om te kunnen omgaan met de complexiteit en diversiteit van de aankomende ultraschone en -efficiënte voertuigen en de ontwikkelingstijd en -kosten tot een minimum te beperken, moeten aandrijfsystemen zelflerend worden. Hiervoor 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 route-informatie.

Recente resultaten

In 2021 werd een nieuwe zelflerende regelstrategie voor plug-inhybridevoertuigen (PHEV's) ontwikkeld voor gebruik in toekomstige emissievrije zones. Met deze strategie voor adaptief energiemanagement kunnen PHEV's nu al voldoen aan de nulemissievereisten voor in steden die na 2025 van kracht worden. Buiten de steden was sprake van een grotere volledig elektrische actieradius en naleving van de Euro-VI-emissielimieten in de praktijk. Daarnaast worden methoden op basis van AI toegepast om de ontwikkelingstijd en -kosten drastisch te verlagen. Voor een usecase met een dieselmotor is aangetoond dat de toepassing van supervised learning-methoden leidt tot een afname van de kalibratieparameters met 97% vergeleken met het benchmark productiecontrolesysteem. Met een thermisch regelsysteem in een elektrisch voertuig werd een identieke afname van de kalibratieparameters bereikt.

Begeleiding van promovendi

• Maarten Vlaswinkel (TU/e, zelflerende regeling voor zeer efficiënte motoren)
• Prasoon Garg (TU/e, regeling van aandrijfsysteem op basis van AI)
• Florian Meier (JKU Linz, geïntegreerde HEV-regeling voor geofencing)

Belangrijkste publicaties

• F. Willems, F. Kupper, S. Ramesh, A. Indrajuana, E. Doosje, Coordinated air-fuel path control in a Diesel-E85 RCCI engine. SAE World Congress Experience (WCX 2019), Detroit, United States, SAE Technical Paper 2019-01-1175, DOI: https://doi.org/10.4271/2019-01-1175F. Willems (2018). Is cylinder pressure-based control required to meet future HD legislation? IFAC-PapersOnLine, 51(31), 111-118.
• E. Feru, N. Murgovski, B. de Jager, F. Willems, Supervisory control of a heavy-duty diesel engine with an electrified waste heat recovery system. Control Engineering Practice, 54, 190-201.