Zelflerende adaptieve systemen brengen industrieel ontwikkelproces in versnelling

Thema:
Intelligent verkeer en vervoer
12 juli 2022

Elektrische voertuigen die een minimale hoeveelheid energie verbruiken en tegelijkertijd de levensduur van de batterij verlengen doordat ze zich automatisch aan hun omgeving en het gebruik aanpassen. Precisie lasercommunicatie met hoge datasnelheden tussen aarde en ruimte dankzij zenders en ontvangers die zelf voortdurend de beste configuratie kiezen. Het zijn twee veelbelovende toepassingen van zelflerende adaptieve systemen, die TNO verkent in het AutoAdapt onderzoeksprogramma.

De belofte? Snellere en goedkopere ontwikkeling van complexe producten met maximale prestatie onder een zeer brede range van (onbekende) bedrijfscondities. Door de maximale prestatie neemt ook de levensduur toe.

AutoAdapt: Multidisciplinair onderzoek

De opkomst van kunstmatige intelligentie (AI) heeft geleid tot de ontwikkeling van adaptieve algoritmes die de basis vormen van zogenaamde zelflerende adaptieve systemen. Dit zijn systemen die aan de hand van beschikbare data niet alleen betrouwbare voorspellingen kunnen doen voor de toekomst, maar die ook kunnen anticiperen op ongewisse situaties, omdat ze in staat zijn om te leren van eerdere ingrepen.

TNO voorziet een enorme potentie en brede toepassingen voor zelflerende adaptieve systemen. Vandaar dat er bij het multidisciplinaire onderzoeksprogramma AutoAdapt (pdf) maar liefst vijf verschillende units binnen TNO betrokken zijn. Een daarvan is Traffic & Transport, waar Frank Willems principal scientist is. “Met name complexe producten hebben baat bij deze technologie”, legt Willems uit.

‘Zelflerende adaptieve systemen kunnen de time-to-market en ontwikkelingskosten van complexe producten enorm reduceren.’

“Als je bijvoorbeeld naar de ontwikkeling van auto’s kijkt, kun je vragen stellen als: hoe gedraagt het voertuig zich over 10 jaar? Hoe wordt het in deze periode gebruikt? Is het ondanks sterk variërend gebruik nog steeds mogelijk om de laagste operationele kosten te garanderen? Om antwoorden op dit soort vragen te vinden, moet je nu heel veel tests in een lab-omgeving doen. Maar doordat zelflerende adaptieve systemen zichzelf tijdens het gebruik kunnen aanpassen aan onvoorziene bedrijfsomstandigheden, hoef je deze vooraf niet allemaal meer te testen. Dat scheelt enorm in de time-to-market en ontwikkelingskosten.”

Efficiëntere EV’s en PHEV’s

Binnen de TNO unit Traffic & Transport wordt gewerkt aan een veelbelovende use-case van zelflerende adaptieve systemen, die cruciaal kan worden voor de versnelde invoering van ‘zero emission’ concepten in mobiliteit. Frank Willems: “Voor het ontwikkelen van schone elektrische of hybride-voertuigen met complexe aandrijflijnen zijn zelflerende systemen onontbeerlijk. Je hebt een optimaal geïntegreerd systeem nodig om energiestromen en emissies zo efficiënt mogelijk te managen.”

Het onderzoek van Willems en zijn team richt zich op het ontwikkelen van zelflerende regelsystemen, waarbij de energie-efficiëntie van de totale aandrijflijn online wordt geoptimaliseerd aan de hand van slimme sensoren, clouddata en routeinformatie. Willems: “Specifiek voor plug-in hybrides (PHEV's) hebben we een adaptief regelsysteem ontwikkeld voor gebruik in toekomstige emissievrije zones. Zelflerende algoritmes bepalen de optimale laadmomenten en laadprofielen voor de batterij. Hierbij maken we slim gebruik van data over routes en verkeersstromen, en de toestand van de batterij. Hierdoor voldoen PHEV's nu al aan de ‘zero emission’ eis voor binnensteden die vanaf 2030 gaat gelden.

‘PHEV’s kunnen nu al aan de ‘zero emission’ eis voor binnensteden voldoen die vanaf 2030 gaat gelden.’

Het zelflerende systeem zorgt voor een groter elektrisch rijbereik en schonere emissies buiten de steden, conform Euro-VI-normen. Bijkomend voordeel van deze zelflerende technologie is de kortere ontwikkelingstijd waardoor we de verduurzaming van ons wagenpark kunnen versnellen. Als volgende stap gaan we deze zelflerende algoritmes ook toepassen om de levensduur van batterijen te maximaliseren bij elektrische voertuigen (EV’s).”

Optimale lasercommunicatie in ruimtevaart

De tweede toepassing van zelflerende adaptieve systemen die TNO in de praktijk onderzoekt, gaat wellicht een grote sprong vooruit betekenen in de ruimtevaartcommunicatie. Tot nu toe is alle communicatie tussen aarde en ruimte gebaseerd op radiogolven, met de nodige beperkingen ten aanzien van datacapaciteit, snelheid en beveiliging. De toekomst is aan optische communicatie, waarbij 10 tot 100 keer meer data kan worden verzonden met behulp van laserstralen. Met de zogenaamde Laser Communications Relay Demonstration (LCRD) wil NASA voortaan via laserstralen informatie verzenden van en naar de ruimte. Ook communicatie met commerciële satellieten zal naar verwachting volledig met behulp van laser plaatsvinden.

Toch kent ook deze technologie uitdagingen, weet Gert Witvoet, senior specialist bij TNO bij de Unit Industrie. “De beschikbaarheid, robuustheid en snelheid van lasercommunicatie hangt sterk af van diverse interne en externe factoren: de conditie van de atmosfeer, trillingen van de satelliet, maar ook de eigenschappen en toestand van de zender en de ontvanger. Een smallere laserbundel zorgt bijvoorbeeld voor sneller dataverkeer, maar is ook gevoeliger voor storingen. Een brede bundel is robuuster, maar dit gaat weer ten koste van de datasnelheid.”

Door de zender en ontvanger zelfaanpassingsvermogen te geven, kun je het maximale uit de laserverbinding halen, ontdekte Witvoet met zijn team. “Met behulp van zelflerende algoritmes wordt de configuratie van de laserbundel voortdurend aangepast voor een optimale performance. Dat wil zeggen: voldoende snelheid, zonder dat dit ten koste gaat van de stabiliteit en beschikbaarheid van de verbinding. Tegelijkertijd verleng je daarmee de levensduur van de zender en de ontvanger.”

TNO verwacht veel van deze use-case, met name door de opkomst van de commerciële ruimtevaart die de vraag naar betrouwbare communicatie met hoge datasnelheden verder vergroot.

‘Real world’ demo’s

Het AutoAdapt onderzoeksprogramma van TNO is een zogenaamd Early Research Programma, waarbij nadrukkelijk wordt aangestuurd op intensieve samenwerking met kennispartners en stakeholders. Frank Willems: “Met AutoAdapt willen we het gat tussen lab en industriële toepassing verkleinen.

De projecten die in het ERP worden opgepakt zijn use-case geïnspireerd: er bestaat een heel concreet beeld hoe het onderzoek tot innovaties zal leiden. Wij willen graag dat onze inzichten resultaten opleveren die in de praktijk kunnen worden getoond met behulp van demo’s in ‘real world’ situaties. Zo hebben wij op de Automotive Campus in Helmond al een demo-installatie staan waarmee we de zelflerende adaptieve besturingssystemen en de invloed op de batterijprestaties kunnen demonstreren.”

Meer weten of samenwerken?

TNO komt graag in contact met partijen die samen op willen trekken in het ontwikkelen en aanbieden van de meest innovatieve zelflerende adaptieve systemen. Neem voor meer informatie contact op met Frank Willems van TNO.

Laat je verder inspireren

29 resultaten, getoond 1 t/m 5

Met Urban Strategy vindt TNO in San Diego aansluiting bij innovatieve Amerikaanse westkust

Informatietype:
Insight
28 maart 2024
In navolging van steden als Amsterdam en Singapore is San Diego de eerste Amerikaanse stad die met TNO’s Urban Strategy platform gaat werken.

Scenario-based denken draagt bij aan duurzame mobiliteit en behoud van human capital op Curaçao

Informatietype:
Insight
18 maart 2024

6x leefbare steden dankzij smart mobility

Informatietype:
Insight
31 juli 2023

XCARCITY: effectieve digital twins voor de autoluwe stad van morgen

Informatietype:
Insight
22 juni 2023

Logistieke hubs voor emissievrije stedelijke distributie

Informatietype:
Insight
25 mei 2023