Navigation

Rund 2,1 Millionen Euro für Forschungsverbund FORCuDE@BEV und das Projekt MeLD

Der KTmfk darf sich über die Förderung des Forschungsverbundes FORCuDE@BEV und des Einzelprojektes MeLD freuen. Dazu wurde im Wassersaal in der Orangerie der FAU nun die offizielle Bescheidübergabe durch den Präsidenten der Bayerische Forschungsstiftung Professor Bode durchgeführt. Neben der Vizepräsidentin der FAU Professor Möslein, waren weitere Vertreter der Bayerischen Forschungsstiftung und die Beteiligten der geförderten Forschungsprojekte anwesend. Wissenschaftsminister Sibler wandte sich in einer Videobotschaft an die Anwesenden und wünschte viel Erfolg bei der anstehenden Forschung.
Hier finden Sie den entsprechenden Beitrag auf der Website der FAU.

FORCuDE@BEV: Forschungsverbund „Customized Digital Engineering für bayerische KMU am Beispiel des Antriebsstrangs elektrischer Fahrzeuge“

„FORCuDE@BEV“ verfolgt das Ziel, am Beispiel der Entwicklung elektrifizierter Antriebsstränge einen Digital-Engineering-Prozess für KMU aufzubauen und die Potenziale der Digitalisierung in deren Geschäftsprozesse zu übertragen, so dass sie ihre Entwicklungszeiten und -kosten drastisch minimieren können. Die Geschäftsstelle des Forschungsverbundes „FORCuDE@BEV“ hat ihren Sitz am KTmfk. Zusätzlich sind am Projekt weitere Wissenschaftspartner von der Technischen Universität München (TUM), der Universität Bayreuth und der Universität der Bundeswehr München sowie 24 Industriepartner, die Hälfte davon kleine und mittlere Unternehmen (KMU) beteiligt. Der Forschungsverbund erhält eine Förderung von bis zu 1.888.000 Euro.

MeLD – Machine Learned Dynamics: Berücksichtigung des dynamischen Verhaltens von Käfigen mittels maschinellen Lernens im Auslegungsprozess von Wälzlagerungen

Das Projekt „MeLD“ wird in Kooperation mit der Firma Schaeffler Technologies AG & Co. KG durchgeführt und erhält eine Förderung von bis zu 195.200 Euro. Ziel des Vorhabens ist die Integration von Methoden des maschinellen Lernens zur präziseren Auslegung von Wälzlagern. Machine Learning soll dabei verwendet werden, das Verhalten von Wälzlagern auf Basis von Trainingsdaten (Ergebnisse validierter Dynamiksimulationen) frühzeitig im Produktentwicklungsprozess vorherzusagen und dadurch die dynamischen Eigenschaften zu optimieren. Aufgrund ihrer Rechenzeiteffizienz eignen sich solche Algorithmen für den Einsatz in der Industrie 4.0 und dem Internet of Things.
Der Lehrstuhl freut sich auf die Zusammenarbeit mit der Firma Schaeffler und bedankt sich bei der Bayerischen Forschungsstiftung für die finanzielle Unterstützung der beiden Projekte.