Präzise Online-Erfassung thermischer Belastungen im E-Antrieb
Die Elektromobilität befindet sich in einer Phase rasanter technologischer Weiterentwicklung, bei der die Zuverlässigkeit und Lebensdauer der Antriebskomponenten zunehmend im Fokus stehen. Während die Reichweite und Leistung der Batterien weiter optimiert werden, gewinnt die Leistungselektronik im Antriebsstrang eine ebenso entscheidende Bedeutung. Insbesondere das Leistungsmodul, das Herzstück des Wechselrichters, steht unter extremen thermischen Bedingungen. Seine Halbleiterbauelemente, wie IGBTs oder SiC-MOSFETs, unterliegen während des Betriebs ständigen Temperaturzyklen, die zu Materialermüdung und letztlich zum Ausfall führen können. Die präzise Überwachung dieser thermischen Belastung war bislang eine Herausforderung, da gängige Analysemethoden auf aufwändige Offline-Berechnungen angewiesen waren, die keine Echtzeit-Aussagen über den Zustand des Moduls erlauben.
Ein bahnbrechendes Forschungsprojekt, geleitet von Xiang Enyao, Lu Yiping, Luo Haoze und Yang Huan vom Institut für Elektrotechnik der Zhejiang University in Zusammenarbeit mit den Ingenieuren Wang Haibing und Ruan Ou von Viridi E-Mobility Technology (Ningbo) Co., Ltd., hat nun eine Lösung vorgestellt, die diese Lücke schließt. In ihrer Veröffentlichung im renommierten Fachjournal Proceedings of the CSEE stellen sie einen neuartigen Algorithmus vor, der eine hochpräzise, Echtzeit-Erfassung der thermischen Ermüdungsbelastung direkt im fahrenden Fahrzeug ermöglicht. Diese Innovation verspricht, die prognostische Wartung und die Gesamtzuverlässigkeit von Elektrofahrzeugen auf ein neues Niveau zu heben.
Die thermische Belastung ist nachweislich einer der Hauptfaktoren für den Verschleiß von Leistungsmodulen. Bei jedem Beschleunigungs- und Bremsvorgang erwärmt sich der Halbleiterchip, um beim Anhalten oder bei Rekuperation wieder abzukühlen. Diese wiederholten Temperaturwechsel erzeugen Spannungen zwischen den verschiedenen Materialien im Modul – Siliziumchip, Lotverbindungen, Kupferplatten und Keramiksubstrat – aufgrund ihrer unterschiedlichen Ausdehnungskoeffizienten. Dies führt zu Mikrorissen im Lot, zum Abheben von Bondverbindungen und schließlich zum Ausfall des gesamten Moduls. Um diesen Prozess vorherzusagen, ist es notwendig, den kompletten Temperaturverlauf des Chips, auch bekannt als Junction-Temperatur (Tj), über die gesamte Fahrtdauer hinweg zu erfassen und die Anzahl und Stärke der Belastungszyklen zu zählen. Die Standardmethode dafür ist das sogenannte Rainflow-Counting-Verfahren, ein aus der Werkstoffmechanik stammendes Verfahren, das komplexe Belastungsprofile in äquivalente, zählbare Zyklen umwandelt. Allerdings erfordert dieses Verfahren die Kenntnis des gesamten Belastungsverlaufs, was es für eine Echtzeit-Anwendung im Fahrzeugcontroller praktisch unmöglich macht. Die herkömmliche Vorgehensweise sieht vor, die Rohdaten aufzuzeichnen und erst nach der Fahrt auf einem leistungsstarken Rechner auszuwerten – ein Prozess, der für eine proaktive Wartung zu langsam ist.
Das Forschungsteam hat dieses Problem durch eine grundlegende Neugestaltung des Rainflow-Algorithmus angegangen. Ihr Ansatz kombiniert drei wesentliche Innovationen: eine adaptive Filterung, einen optimierten Echtzeit-Zählalgorithmus und eine effiziente Datenspeicherung. Der Schlüssel zur Echtzeit-Fähigkeit liegt in der sogenannten „Drei-Punkt-Doppel-Bereich“-Methode. Statt den gesamten Temperaturverlauf zu speichern und zu analysieren, verarbeitet der Algorithmus die Daten kontinuierlich und in Echtzeit. Er konzentriert sich dabei auf die Extrempunkte des Temperaturverlaufs – die Peaks und Täler. Bei jedem neu eintreffenden Extrempunkt vergleicht der Algorithmus die Amplituden der letzten drei aufgezeichneten Extrempunkte. Durch eine einfache mathematische Regel kann er sofort entscheiden, ob ein vollständiger Belastungszyklus geschlossen wurde oder ob es sich um einen halben, noch nicht abgeschlossenen Zyklus handelt. Dieser Prozess ist äußerst rechenleicht und kann auf den standardmäßigen Mikrocontrollern im Antriebssteuergerät ausgeführt werden, ohne deren Hauptfunktionen wie die Motorregelung zu beeinträchtigen. Die Ergebnisse der Simulationen im Labor zeigen eine perfekte Übereinstimmung mit dem klassischen Offline-Verfahren, was die hohe Genauigkeit des neuen Ansatzes unter Beweis stellt.
Ein weiterer entscheidender Fortschritt ist die intelligente Filterung der Rohdaten. Nicht jeder kleine Temperaturschwankung trägt signifikant zur Materialermüdung bei. Messrauschen oder sehr kleine Zyklen können die Zählung verfälschen und unnötig Rechenleistung verbrauchen. Die Forscher haben daher einen variablen Filterfenster-Algorithmus entwickelt, der sich dynamisch an den Zustand des Leistungsmoduls anpasst. Die Breite des Filterfensters, also die Schwelle, ab der ein Temperaturunterschied als relevanter Belastungszyklus gezählt wird, wird basierend auf dem berechneten Wärmewiderstand zwischen Chip und Gehäuse (Zth(j-c)) angepasst. Dieser Wärmewiderstand ist ein etablierter Indikator für den Alterungszustand des Moduls. In der Anfangsphase eines neuen Moduls, wenn es sehr robust ist, wird ein breiteres Fenster gewählt, das nur große Temperaturwechsel zulässt. Mit fortschreitender Alterung und dem Beginn von Mikrorissen im Lot nimmt der Wärmewiderstand zu, und das Filterfenster wird entsprechend verkleinert, um auch kleinere, aber nun kritische Belastungen zu erfassen. Diese anpassungsfähige Filterung erhöht nicht nur die Genauigkeit, sondern filtert auch systematisch Störsignale und irrelevante Daten heraus, was die Effizienz des gesamten Systems erheblich steigert.
Die dritte Säule der Innovation ist die diskrete Normalisierung der Zählergebnisse. Die direkte Speicherung jedes einzelnen Belastungszyklus mit seiner exakten Amplitude und mittleren Temperatur würde zu einer enormen Datenmenge führen, die für eine Langzeitüberwachung im Fahrzeug nicht praktikabel ist. Der neue Algorithmus löst dieses Problem, indem er die Zyklen in vordefinierte Kategorien einteilt. Die Amplituden der Temperaturwechsel (ΔTj) und die mittleren Betriebstemperaturen (Tjm) werden in festgelegte Intervalle gruppiert. Anstatt jeden Zyklus einzeln zu speichern, wird lediglich die Anzahl der Zyklen in jeder dieser Kategorien gezählt und aktualisiert. Dies reduziert den Speicherbedarf dramatisch und macht die Methode für die Anwendung im eingebetteten System des Fahrzeugs, auch bekannt als Edge Computing, ideal geeignet. Die gespeicherten Daten bilden eine Art „Belastungshistorie“ des Moduls, die als Basis für präzise Lebensdauerprognosen dient.
Die theoretische Überlegenheit des Verfahrens wurde durch umfangreiche praktische Tests unter realen Bedingungen bestätigt. Die Forscher installierten ihren Algorithmus auf einem Serienfahrzeug, einem Personenkraftwagen, und führten Testfahrten auf einem 26 Kilometer langen Streckenprofil durch, das städtische, autobahnähnliche und bergige Abschnitte umfasste. Während der Fahrt erfasste der eingebaute NTC-Thermistor (Negative Temperature Coefficient) kontinuierlich die Temperatur des Leistungsmoduls. Diese Rohdaten wurden in Echtzeit vom Mikrocontroller mit dem neuen Algorithmus verarbeitet, um die Belastungszyklen zu zählen und die kumulative Schädigung zu berechnen. Nach Abschluss der Fahrt wurden die gespeicherten Rohdaten mit dem klassischen Offline-Rainflow-Verfahren analysiert und mit den Echtzeit-Ergebnissen verglichen. Das Ergebnis war beeindruckend: Die Abweichung der kumulativen Schädigung betrug weniger als 1 Prozent. Diese außergewöhnliche Genauigkeit unter realen, dynamischen Fahrbedingungen demonstriert die Robustheit und Praxistauglichkeit der neuen Methode.
Die Testfahrten lieferten auch wertvolle Einblicke in die Belastungsdynamik verschiedener Fahrprofile. Bergauf- und Bergabfahrten, die mit starken Beschleunigungs- und Rekuperationsphasen verbunden sind, zeigten die höchsten Raten an Schädigungsakkumulation, was mit den extremen und schnellen Temperaturänderungen korreliert. Autobahnfahrten, trotz der hohen Geschwindigkeit, erzeugten eine geringere thermische Belastung aufgrund der stabilen Betriebsbedingungen. Im Stadtverkehr hingegen führte das häufige Anfahren und Stoppen zu einer stetigen Ansammlung kleinerer Belastungszyklen, die sich über die Zeit zu einer signifikanten Gesamtschädigung summieren können. Diese detaillierten Daten sind für Fahrzeughersteller von unschätzbarem Wert, um die Zuverlässigkeit ihrer Antriebe zu bewerten und gezielt zu verbessern.
Ein weiterer kritischer Aspekt der Studie war die Untersuchung der optimalen Abtastrate für die Temperaturmessung. Die Forscher testeten Abtastintervalle von 20 Millisekunden bis 5 Sekunden. Sie stellten fest, dass Abtastperioden zwischen 20 ms und 500 ms nur einen vernachlässigbaren Einfluss auf die Genauigkeit der Schädigungsberechnung hatten, mit Fehlern unter 1 Prozent. Bei längeren Intervallen, insbesondere über 1 Sekunde, stieg der Fehler jedoch rapide an und erreichte bei 5 Sekunden fast 60 Prozent. Der Grund dafür ist, dass längere Abstände zwischen den Messungen schnelle Temperaturspitzen, die typisch für Beschleunigungsmanöver sind, verpassen. Diese fehlenden Daten führen zu einer Unterschätzung der Anzahl und Stärke der Belastungszyklen. Die Studie kommt daher zu dem klaren Fazit, dass eine Abtastperiode von 500 ms oder kürzer das optimale Gleichgewicht zwischen Rechenleistung, Speicherbedarf und Messgenauigkeit darstellt und somit die Grundlage für eine verlässliche Echtzeit-Zuverlässigkeitsbewertung bildet.
Die praktischen Implikationen dieser Forschung sind weitreichend. Für Automobilhersteller und Zulieferer eröffnet diese Technologie neue Möglichkeiten im Bereich Predictive Maintenance. Ein Fahrzeug könnte künftig den Fahrer oder die Serviceorganisation warnen, wenn ein Leistungsmodul sich dem Ende seiner Lebensdauer nähert, was einen proaktiven Austausch ermöglicht, bevor es zu einem kostspieligen und sicherheitskritischen Ausfall kommt. Für Flottenbetreiber bietet sich die Möglichkeit, die Fahrweise ihrer Fahrer zu analysieren und zu optimieren, um die Lebensdauer der Antriebe zu verlängern und die Betriebskosten zu senken. Die gesammelten Belastungsdaten können auch in digitale Zwillinge integriert werden, um virtuelle Tests und Lebensdauerprognosen unter realen Nutzungsszenarien durchzuführen. Die Methode ist zudem äußerst kostengünstig, da sie auf den bereits im Fahrzeug vorhandenen NTC-Sensoren basiert und auf Standard-Hardware läuft, was eine schnelle und breite Markteinführung ermöglicht.
Dieses Projekt ist ein hervorragendes Beispiel für die erfolgreiche Zusammenarbeit zwischen akademischer Forschung und industrieller Anwendung. Die Expertise der Zhejiang University in den Bereichen Leistungselektronik und Algorithmenentwicklung wurde nahtlos mit dem praktischen Know-how von Viridi E-Mobility Technology, einem Unternehmen tief in der E-Fahrzeug-Lieferkette verankert, verbunden. Diese Synergie hat sichergestellt, dass die theoretischen Konzepte direkt auf die realen Herausforderungen im Fahrzeugbau ausgerichtet sind. Die finanzielle Unterstützung durch das Zhejiang-Provinz-Programm „Pioneer“ und „Leading Goose“ sowie das Ningbo-Stadt-Forschungsprojekt unterstreicht die strategische Bedeutung dieser Arbeit für die technologische Führerschaft Chinas im Bereich der Elektromobilität.
Zusammenfassend lässt sich sagen, dass die Arbeit von Xiang Enyao, Lu Yiping, Luo Haoze, Yang Huan, Wang Haibing und Ruan Ou einen bedeutenden Durchbruch in der Entwicklung von Elektrofahrzeugen darstellt. Indem sie ein traditionell offline durchgeführtes Analyseverfahren in ein Echtzeit-Monitoring-System verwandeln, eröffnen sie eine neue Ära der Zustandsüberwachung für Antriebskomponenten. Ihre Methode erhöht nicht nur die Sicherheit und Zuverlässigkeit von Elektrofahrzeugen, sondern trägt auch zur Nachhaltigkeit bei, indem sie die Lebensdauer kritischer Bauteile verlängert und unnötige Ressourcenverschwendung vermeidet. Mit seiner hohen Genauigkeit, geringen Rechenanforderungen und nahtlosen Integration in bestehende Fahrzeugarchitekturen ist dieser Algorithmus ein Kandidat dafür, in naher Zukunft ein Standardfeature in der nächsten Generation von Elektroantrieben zu werden.
Xiang Enyao, Lu Yiping, Luo Haoze, Yang Huan, Wang Haibing, Ruan Ou, Zhejiang University und Viridi E-Mobility Technology (Ningbo) Co., Ltd., Proceedings of the CSEE, DOI: 10.13334/j.0258-8013.pcsee.231914