Der elektrische Antriebstrang als Alternative zum klassischen Verbrennungsmotor wird in zukünftigen Automobilen eine zentrale Rolle einnehmen. Eine Herausforderung ist die Entwicklung eines effizienten Regelungskonzept zur bestmöglichen Ausnutzung der Komponenten. Maßgeblich dafür ist die Kenntnis über das transiente Verhalten der Systemparameter. Die Parameter können sowohl online also während des Betriebs, als auch offline auf dem Prüfstand ermittelt werden. Vorteilhaft an der Online-Parameteridentifikation ist die zusätzliche Berücksichtigung von ungewollten Effekten. Je genauer die Parameter während des Betriebs bestimmt werden können, desto präziser ist das momentane Verhalten des Systems beschreibbar.
Neben betriebsbedingten Änderungen der Systemparameter treten auch Abweichungen aufgrund von Produktionstoleranzen auf. Des Weiteren werden die Parameter durch Alterungseffekte und Störeinflüsse aufgrund von Defekten beeinflusst. Eine verlässliche Online-Parameterschätzung ermöglicht die Erkennung von Fehlverhalten, da ungewolltes Systemverhalten oft eine Verletzung physikalischer Parametergrenzen zur Folge hat.
Im Rahmen dieses Projekts wird eine robuste Online-Parameterschätzung entwickelt. Dazu werden sowohl modell- als auch datenbasierte Methoden des Maschinellen Lernens untersucht. Übergeordnetes Ziel ist die Ableitung eines Diagnosekonzepts zur Detektion von Fehlverhalten und Prädiktion von drohendem Systemausfall durch alternde oder defekte Systemkomponenten.
