Hydraulikpumpen Mit KI leistungsfähigere Motorkomponenten entwickeln

Anbieter zum Thema

Heidrive GmbH

SolidCAM GmbH

CAD+T Solutions GmbH

Forschende der Pusan National University nutzen KI, um optimierte Motorkomponenten zu entwickeln, die menschliche Entwürfe übertreffen. Die Technologie des maschinellen Lernens trägt dazu bei, um 32 Prozent effizientere Hydraulikpumpen zu entwickeln.

Das Gerotor-Zahnprofil ist entscheidend für die Leistung von Hydrauliksystemen in der Automobiltechnik. In einer neuen Entwicklung haben Forscher der Pusan National University in Südkorea bedingte generative gegnerische Netzwerke für die maschinell lernbasierte Synthese und Optimierung von Gerotorprofilen genutzt. Der neuartige Ansatz hat zu Designs geführt, die menschliche Entwürfe übertreffen und um 32 Prozent effizientere Hydraulikpumpen ermöglichen, was die Automobilindustrie revolutionieren könnte.

Hydraulikpumpen: Herkömmliche Konstruktionsmethoden unzureichend

Gerotorpumpen für die Ölzirkulation und Schmierung sind wichtige Komponenten in Automobil- und Hydrauliksystemen. Sie zeichnen sich durch eine kompakte Bauweise, eine hervorragende Durchflussrate pro Umdrehung und eine hohe Saugleistung aus. Das Gerotor-Zahnprofil spielt eine wichtige Rolle bei der Bestimmung der Gesamtleistung von Hydrauliksystemen für die Motorschmierung und das Automatikgetriebe. Leider basieren herkömmliche Konstruktionsmethoden auf vordefinierten mathematischen Kurven und iterativen Anpassungen, was ihre Optimierungsflexibilität beeinträchtigt.

Ein Forschendenteam der Fakultät für Maschinenbau der Pusan National University unter der Leitung von Professor Chul Kim eine neue Designmethodik vorgeschlagen. Ihre Ergebnisse wurden am 10. Oktober 2025 online veröffentlicht und werden am 24. Dezember 2025 in Band 162, Teil D der Fachzeitschrift Engineering Applications of Artificial Intelligence erscheinen.

Neuronales Netz als Designwerkzeug

Zentral in dieser Studie ist der Einsatz von KI, insbesondere eines neuronalen Netzes (conditional generative adversarial network), als Designwerkzeug. Anstatt sich auf den traditionellen Ansatz der Verwendung vordefinierter mathematischer Kurven zu verlassen, trainierten die Forscher eine KI, um automatisch neue Gerotorprofile zu generieren. Die KI lernte aus einem Datensatz, der bestimmte Hochleistungsprofilgeometrien mit ihren tatsächlichen Leistungsdaten verknüpfte. Diese Neuentwicklung ermöglichte es ihr, zu verstehen, warum bestimmte Formen besser funktionieren als andere, und dann neue, hochoptimierte Geometrien zu generieren, die herkömmliche Designs deutlich übertreffen.

Verringerung der Strömungsunregelmäßigkeiten

Das Team zeigte, dass ihr neuartiges, KI-generiertes Design bei der Simulationsvalidierung mittels numerischer Strömungsmechanik erhebliche Leistungssteigerungen aufweist. Im Vergleich zu einem herkömmlichen eiförmigen Profil erzielte das vorgeschlagene Design eine Verringerung der Strömungsunregelmäßigkeiten um 74,7 Prozent. Das bedeutet, dass die Leistung der Pumpe deutlich stabiler und gleichmäßiger ist. Außerdem zeigt es eine Steigerung der durchschnittlichen Durchflussrate um 32,3 Prozent, was auf eine bessere volumetrische Effizienz hindeutet, sowie eine Verringerung der Ausgangsdruckschwankungen um 53,6 Prozent, was direkt zu einem leiseren Betrieb und geringeren Vibrationen beiträgt.

Die Hauptanwendungsmöglichkeiten der vorliegenden Arbeit finden sich in der Automobilindustrie. Die Verringerung der Druckschwankungen und Strömungsunregelmäßigkeiten ist hier von großem Vorteil. Sie kann zu leiser arbeitenden Getriebesystemen führen und möglicherweise die Zuverlässigkeit der Komponenten verbessern, indem Vibrationen und instabile hydraulische Belastungen reduziert werden. Darüber hinaus ermöglicht die um 32,3 Prozent höhere durchschnittliche Durchflussrate eine effizientere Ölzirkulation im gesamten Motor. Dies trägt zu einer besseren Schmierung und Kühlung der Motorkomponenten bei, was für die Lebensdauer des Motors von entscheidender Bedeutung ist.

Schritt in Richtung inverses Design

In den nächsten fünf bis zehn Jahren könnten Methoden wie diese zu einem Standardwerkzeug für Ingenieure werden. Dies ist ein Schritt in Richtung „inverses Design“, bei dem ein Ingenieur die gewünschten Leistungsziele, wie zum Beispiel „Minimierung von Druckschwankungen“, festlegen kann und die KI dabei hilft, eine optimale Geometrie zu generieren, um diese Ziele zu erreichen. Darüber hinaus kann dieser Ansatz den Forschungs- und Entwicklungszyklus für komplexe mechanische Komponenten beschleunigen. Er ermöglicht die Erforschung eines viel größeren Designraums, als dies mit herkömmlichen manuellen Iterationen möglich ist.

„Für die Öffentlichkeit bedeutet die Verwendung optimalerer Komponenten vor allem, dass die Maschinen, die wir täglich nutzen, leiser und zuverlässiger werden. Im Automobilsektor führt dies zu Fahrzeugen mit effizienteren und langlebigeren Hydrauliksystemen wie Getrieben und Ölpumpen“, fasst Prof. Kim zusammen.

Referenz

Titel der Originalarbeit: Machine learning-driven gerotor profile synthesis and optimization using Conditional Generative Adversarial Networks

Zeitschrift: Engineering Applications of Artificial Intelligence (Technische Anwendungen künstlicher Intelligenz)

https://doi.org/10.1016/j.engappai.2025.112604

Simulationssoftware

Wie ein Maschinenbauunternehmen Montagelinien optimiert