Der Umweltausschuss des Europäischen Parlaments hat sich am 15. September 2015 mit großer Mehrheit auf einen Gesetzentwurf geeinigt, mit dem die Luftverschmutzung von mobilen Geräten begrenzt werden soll. Gemeint sind Geräte, die nicht für die Straße gedacht sind, das reicht von Rasenmähern und Kettensägen über Traktoren, Mähdrescher und Ackerfräsen bis hin zu Bulldozern, Lokomotiven und Binnenwasserfahrzeugen. Mobile Geräte sind EU-weit für etwa 15 Prozent des gesamten Stickstoffoxid-Ausstoßes verantwortlich und für fünf Prozent der Feinstaubemissionen. Die Abgeordneten im Ausschuss stimmten für die Einführung von Grenzwerten und sprachen sich dafür aus, Besitzer von mobilen Maschinen zu "ermutigen", ihre alten Maschinen durch sauberere neue Maschinen zu ersetzen.
Am 5. Juli 2016 stimmte das EU-Parlament einer Überarbeitung der Typgenehmigungsvorschriften und Emissionsgrenzwerte für nicht für den Straßenverkehr bestimmte mobile Maschinen und Geräte (NSBMMG) zu. Dazu gehören Rasenmäher, Bulldozer, Diesellokomotiven und Binnenschiffe. NSBMMG-Maschinen machen ungefähr 15% aller Stickoxid- und 5% aller Partikelemissionen in der EU aus. Die neuen Vorschriften legen Motorklassen fest, die wiederum in Unterklassen je nach Leistungsbereich unterteilt sind. Für jede Klasse wurden Umweltschutzanforderungen in Form von Grenzwerten für Abgasemissionen (CO, HC, NOx und Partikel) festgelegt, sowie Fristen zur Umsetzung ab 2018. Die geplanten Vorschriften sehen ein System zur Leistungsüberwachung von Motoren während des Betriebs vor, um die Unterschiede zwischen den Messwerten im Labor und unter realen Fahrbedingungen auszugleichen.
Das Projekt "Teilprojekt 2" wird vom Umweltbundesamt gefördert und von Amazonen-Werke H. Dreyer SE & Co. KG durchgeführt. Das Ziel des Projektes umfasst die Optimierung technischer Verfahren für das Ausbringen von Pflanzenschutzmitteln, um eine Reduzierung der Menge an Pflanzenschutzmitteln (PSM) zu erreichen. Dieses Ziel soll durch die Entwicklung verbesserter Spritzgestänge für Feldspritzgeräte und die Optimierung der Anlenkung an den Geräterahmen erreicht werden, um Gestängebewegungen zu reduzieren und damit eine gleichmäßigere Verteilung der ausgebrachten Pflanzenschutzmittel zu erreichen. Zur Beurteilung der Funktionalität der Gestängeaufhängung soll ein spezielles Testverfahren entwickelt werden. Die Projektbereiche Konstruktion und Entwicklung eines neuen Spritzgestänges inkl. der Schwingungsoptimierung sowie die Beurteilung der Maschinenfunktionalität erfordern verschiedene Fachkompetenzen. Die Projektpartner aus den Bereichen Landtechnik und Prüfverfahren decken die verschiedenen Fachgebiete sowohl von Unternehmens- als auch Forschungsseite ab und verfügen über interdisziplinäre Erfahrungen bei der Entwicklung sowie bei der Beurteilung von Pflanzenschutzgeräten insbesondere der Gestängeeigenschaften hinsichtlich der Gestängebewegung und der Verteilgenauigkeit.
Das Projekt "Teilprojekt A" wird vom Umweltbundesamt gefördert und von CLAAS E-Systems GmbH durchgeführt. Die Anwendung von Methoden der KI ist insb. in der Landwirtschaft sinnvoll, wo die Umgebung von einer hohen Dynamik gekennzeichnet, nicht vollständig bekannt und nicht umfassend kontrollierbar ist. Erste KI-Anwendungen haben deutliche Prozessverbesserungen gezeigt. Im Gegensatz zu der Entwicklung klassischer Assistenzsysteme sich hierbei jedoch gezeigt, dass hohe Anforderungen an die KI-Architekturen die Marktakzeptanz erschwert. Es muss ein Weg zur Auflösung der Abhängigkeit von High-Performance Computern auf der Maschine entwickelt werden. Dieses Projekt hat daher das Ziel, durch die genaue Analyse und Optimierung der benötigten Ressourcen, moderne Ansätze der künstlichen Intelligenz (insb. Deep Learning) trotz der limitierenden Hardware auf landwirtschaftlichen Maschinen nutzbar zu machen. Neben der landwirtschaftlichen Maschine an sich, werden auch edge-/cloudbasierte Konzepte einbezogen, um eine ganzheitliche und global skalierbare Lösung zu entwickeln. Es werden insb. Methoden des überwachten Lernens betrachtet, da hierbei eine synoptische Betrachtung der benötigten verschiedensten Ressourcen möglich ist. Es wird eine Vielzahl von qualitativ hochwertigen und annotierten Daten zum Training der Algorithmen benötigt. Diese Daten sollten neben der Qualität auch die geforderte und benötigte Variabilität aufweisen. Die Aufnahme von Daten in Erntekampagnen ist aufwendig und sollte auf ein sinnvolles Maß reduziert werden. Darauf folgt eine Annotation der Daten. Gerade in der landwirtschaftlichen Domäne sind hierfür zumeist Experten nötig. Hierbei ist besonders die Qualität der Datenbasis wichtig, um nicht unnötig Ressourcen der Experten zu verschwenden. Um auch eine Generalisierbarkeit der entwickelten Methoden zu gewährleisten, werden in diesem Projekt zwei unterschiedliche Szenarien betrachtet. Zum einen wird die Qualität von Erntegut bestimmt, zum anderen eine Erkennung von Merkmalen im Umfeld der Arbeitsmaschine durchgeführt.
Das Projekt "Teilprojekt B" wird vom Umweltbundesamt gefördert und von Claas Selbstfahrende Erntemaschinen GmbH durchgeführt. Die Anwendung von Methoden der KI ist insb. in der Landwirtschaft sinnvoll, wo die Umgebung von einer hohen Dynamik gekennzeichnet, nicht vollständig bekannt und nicht umfassend kontrollierbar ist. Erste KI-Anwendungen haben deutliche Prozessverbesserungen gezeigt. Im Gegensatz zu der Entwicklung klassischer Assistenzsysteme sich hierbei jedoch gezeigt, dass hohe Anforderungen an die KI-Architekturen die Marktakzeptanz erschwert. Es muss ein Weg zur Auflösung der Abhängigkeit von High-Performance Computern auf der Maschine entwickelt werden. Dieses Projekt hat daher das Ziel, durch die genaue Analyse und Optimierung der benötigten Ressourcen, moderne Ansätze der künstlichen Intelligenz (insb. Deep Learning) trotz der limitierenden Hardware auf landwirtschaftlichen Maschinen nutzbar zu machen. Neben der landwirtschaftlichen Maschine an sich, werden auch edge-/cloudbasierte Konzepte einbezogen, um eine ganzheitliche und global skalierbare Lösung zu entwickeln. Es werden insb. Methoden des überwachten Lernens betrachtet, da hierbei eine synoptische Betrachtung der benötigten verschiedensten Ressourcen möglich ist. Es wird eine Vielzahl von qualitativ hochwertigen und annotierten Daten zum Training der Algorithmen benötigt. Diese Daten sollten neben der Qualität auch die geforderte und benötigte Variabilität aufweisen. Die Aufnahme von Daten in Erntekampagnen ist aufwendig und sollte auf ein sinnvolles Maß reduziert werden. Darauf folgt eine Annotation der Daten. Gerade in der landwirtschaftlichen Domäne sind hierfür zumeist Experten nötig. Hierbei ist besonders die Qualität der Datenbasis wichtig, um nicht unnötig Ressourcen der Experten zu verschwenden. Um auch eine Generalisierbarkeit der entwickelten Methoden zu gewährleisten, werden in diesem Projekt zwei unterschiedliche Szenarien betrachtet. Zum einen wird die Qualität von Erntegut bestimmt, zum anderen eine Erkennung von Merkmalen im Umfeld der Arbeitsmaschine durchgeführt.
Das Projekt "Globalansatz zur technisch/wissenschaftlichen Unterstützung bei der Forschreibung der EG-Outdoorrichtlinie (2000/14/EG) und ihrer Umsetzung in nationales Recht (32. BImSchV)" wird vom Umweltbundesamt gefördert und von TÜV NORD Systems GmbH & Co. KG durchgeführt. A) Problemstellung: Sowohl die EG Richtlinie 2000/14/EG als auch 32. BImSchV sind seit geraumer Zeit in Kraft. Sie bestimmen die im Freien betriebenen Maschinen und Geräte; die entweder (nur) mit ihrem Emissionswert zu kennzeichnen sind oder die einen gerätespezifischen Emissionswert einhalten müssen. Seit einiger Zeit wird bereits an einer Fortschreibung der 2000/14 /EG gearbeitet. Ziel dieser Arbeiten in der EG-Kommission ist es, Probleme bei den jeweiligen Messverfahren in praktischer aber auch in messtechnischer Hinsicht im Rahmen der Richtlinie zu beseitigen. Daneben sollen aber auch die Vorschriften um bislang nicht einbezogene mobile Geräte und Maschinen erweitert werden. Auch wird in Erwägung gezogen, verschiedene Geräte nun nach Artikel 12 der 2000/14/EG mit einem Lärmemissionsgrenzwert zu versehen. B) Handlungsbedarf: Zur Ausfüllung und Fortschreibung der Richtlinie 2000/14/EG und der 32. BImSchV müssen die Umsetzung der rechtlichen Regelung, die Möglichkeiten der Fortschreibung (Grenzwertverschärfung, Grenzwertsetzung) und die Verbesserung der Anforderungen (besser angepasste Messverfahren) erarbeitet werden. Die Bundesregierung muss national und europäisch stichhaltige Ergebnisse vorlegen, um die Rechtsetzung weiter zu verbessern. C) Ziel des Vorhabens: Für die 32. BImSchV soll das Vorhaben Aufschluss darüber geben, inwieweit die Geräte ordnungsgemäß gekennzeichnet und der auf den Geräten zu deklarierende garantierte Schalleistungspegel der Realität entspricht; die Ergebnisse sollen im Rahmen der Marktüberwachung verwendet werden. Des weiteren sollen Möglichkeiten im Vorhaben erarbeitet werden, mit denen der Aspekt von 'Nutzervorteilen für lärmarme Geräte' besser zum Greifen kommt. Die erarbeiteten Ergebnisse und Lösungen sollen als Grundlage für eine Fortschreibung der Richtlinie 2000/14/EG und der 32. BImSchV dienen.
Das Projekt "Teilprojekt E" wird vom Umweltbundesamt gefördert und von Universität Osnabrück, Institut für Informatik durchgeführt. Die Anwendung von Methoden der KI erscheint in der Landwirtschaft sinnvoll, weil die Umgebung von einer hohen Dynamik gekennzeichnet, nicht vollständig bekannt und nicht umfassend kontrollierbar ist. Werden KI-basierte Anwendungen auf der mobilen Arbeitsmaschine (on the edge) auf spezialisierten und hochleistungsfähigen Hardwaresystemen zur Ausführung gebracht, ergeben sich daraus Konsequenzen. Der Einsatz von High-Performance Computern ist mit hohen wiederkehrenden Kosten und signifikantem Aufwand bei der Anpassung der Fahrzeugarchitektur verbunden. Eine drahtlose, zuverlässige und breitbandige Cloudanbindung ist im ländlichen Raum nicht gegeben. Diese Restriktionen können den Einzug einer Technologie behindern, die sich in verschiedenen Fällen für Landwirte als nützlich erwiesen hat. Ein verteilter Ansatz erscheint sinnvoll, der maschinenseitig minimalinvasiv ist und cloudseitig eine spezialisierte Umgebung nutzt. Im Projekt resKIL werden eine Software-Architektur und eine AI-Toolchain entwickelt, die den Anforderungen des mobilen Arbeitsumfeldes gerecht werden. Die Prototypen werden in der landwirtschaftlichen Praxis evaluiert. Die Arbeitsgruppe ESS der Universität Osnabrück wird maßgeblich an der Konzipierung, prototypischen Implementierung und Evaluation der skalierbaren Software-Architektur und KI-Plattform mitwirken. Hierzu werden zunächst die Anforderungen an die Architektur und die Leistungsmerkmale der verfügbaren Hardware-, Software- und Cloudkomponenten modelliert. Ebenso werden Möglichkeiten zur Effizienzsteigerung durch verbesserte Anpassung konkreter Algorithmen und Softwarelösungen an die vorhandene Hardware untersucht. So entsteht eine skalierbare KI-Plattform, die für jeden Anwendungsfall ein passgenaues KI-System bereitstellt, welches die vorhandenen Ressourcen optimal ausnutzt.
Das Projekt "Entwicklung eines SCRi-Nachbehandlungssystems zur NOx- und Partikelminderung für die Nachrüstung von LKWs" wird vom Umweltbundesamt gefördert und von Emitec Produktion Eisenach GmbH durchgeführt. Ziel ist ein SCRi-Abgasnachbehandlungssystem zur NOx- und Partikelminderung für die Nachrüstung von Nutzfahrzeugen und mobilen Arbeitsmaschinen zu entwickeln, welches durch die Anwendung einer aktiven Beheizung unter allen Umständen betriebsbereit ist. Unabhängig von Fahrzyklus und Fahrzeugeinsatz sollen Reduktionsraten von Partikeln um 60 Prozent und NOx um 80 Prozent erreicht werden.
Das Projekt "Teilprojekt D" wird vom Umweltbundesamt gefördert und von Deutsches Forschungszentrum für Künstliche Intelligenz GmbH durchgeführt. Die Anwendung von Methoden der KI erscheint in der Landwirtschaft sinnvoll, weil die Umgebung von einer hohen Dynamik gekennzeichnet, nicht vollständig bekannt und nicht umfassend kontrollierbar ist. Werden KI-basierte Anwendungen auf der mobilen Arbeitsmaschine (on the edge) auf spezialisierten und hochleistungsfähigen Hardwaresystemen zur Ausführung gebracht, ergeben sich daraus Konsequenzen. Der Einsatz von High-Performance Computern ist mit hohen wiederkehrenden Kosten und signifikantem Aufwand bei der Anpassung der Fahrzeugarchitektur verbunden. Eine drahtloste, zuverlässige und breitbandige Cloudanbindung ist im ländlichen Raum nicht gegeben. Diese Restriktionen können den Einzug einer Technologie behindern, die sich in verschiedenen Fällen für Landwirte als nützlich erwiesen hat. Ein verteilter Ansatz erscheint sinnvoll, der maschinenseitig minimalinvasiv ist und cloudseitig eine spezialisierte Umgebung nutzt. Im Projekt resKIL werden eine Software-Architektur und eine AI-Toolchain entwickelt, die den Anforderungen des mobilen Arbeitsumfeldes gerecht werden. Die Prototypen werden in der landwirtschaftlichen Praxis evaluiert. Das DFKI beteiligt sich an den Tools zur effizienten Datenprozessierung/-annotation, sowie der skalierbaren, adaptiven KI-Architektur, die auf den zuvor erstellten Daten arbeitet. Dabei werden mögliche Schnittstellen zu und Zusammenarbeiten mit Gaia-X bzw. dessen Agrar-Usecase Agri-Gaia betrachtet.
Das Projekt "Teilvorhaben: Batterie und Range-Extender HT-PEM" wird vom Umweltbundesamt gefördert und von ElringKlinger AG durchgeführt. Es wird ein emissionsfreies, elektrisches Antriebssystem für Nutz- und Arbeitsfahrzeuge entwickelt. Die Auslegung und Betriebsführung von Range-Extender, Batterie, Leistungselektronik und Motor soll simulationsgestützt auf typische Lastprofile von Nutz- und Arbeitsfahrzeugen optimiert, elektrische und mechanische Schnittstellen unter Berücksichtigung bereits vorhandener Standards vereinheitlicht werden. Das innovative Antriebssystem wird in die Antriebsplattform eines Nutzfahrzeugs integriert und steht zu Projektende für die Erfahrungssammlung im Alltagsbetrieb zur Verfügung. Das Projekt wird in vier Projektphasen unterteilt: In der Projektphase 1 werden alle Systemkomponenten hinsichtlich ihrer Spezifikationen festgelegt. In der Projektphase 2 werden die Subsysteme in Form von Laboraufbauten entwickelt. Die Projektphase 3 dient dazu Funktionsmuster für die einzelnen Systemkomponenten aufzubauen und realitätsnah zu testen. In der Projektphase 4 werden die Systemkomponenten zu einem Demonstrator integriert.