Kortere ontwikkelingstijd voor verduurzaming wagenpark 

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. Het is een veelbelovende toepassing van zelflerende adaptieve systemen, die TNO verkent in het AutoAdapt onderzoeksprogramma.

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. 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.

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.”

Autodapt: 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 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.

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).”

'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.