KI optimiert Turbolader und senkt Kosten

Im Rahmen der Vorlesung “Optimization of Technical Systems” an der TH Köln führten fünf Studentengruppen eine Case Study in Kooperation mit Everllence (ehemals MAN Energy Solutions) durch. Das Ziel war die Entwicklung von Machine Learning- und Deep Learning-Modellen zur Vorhersage von Vibrationsamplituden in Turbochargern, um teure und zeitaufwändige traditionelle Mess- und Simulationsmethoden zu ersetzen. Die Studenten entwickelten verschiedene KI-Modelle (u.a. XGBoost, CatBoost, RNN, LSTM, GRU) zur Amplitudenvorhersage basierend auf Betriebs- und Designparametern. Diese Modelle zeigten hohes Potenzial für präzise und kostengünstige Vorhersagen.

Christoph Leitenmeier (Head of Aerodynamics bei Everllence) hielt eine Gastvorlesung über “High Cycle Fatigue (HCF) in industrial applications”.

Die Veranstaltung ist Teil einer langfristigen Zusammenarbeit zwischen Prof. Bartz-Beielstein (TH Köln) und Everllence mit gemeinsamen Forschungs- und Promotionsprojekten.