SesiM
Selbstvalidierung komplexer elektronischer Systeme in sicherheitskritischen Mobilitätsanwendungen auf Basis von Greybox-Modellen
Projektbeschreibung
KI-basierte Steigerung der Verlässlichkeit von Elektronik für (autonome) Mobilität
PROJEKTZIELE
Die Anforderungen an Elektronik in sicherheitskritischen Anwendungen bezüglich Funktionssicherheit und Verfügbarkeit sind sehr hoch. Insbesondere die Bereiche der Mobilität bieten weitreichende Gefahrenpotentiale bei Fehlfunktion, Manipulation oder Ausfall. Typische Anwendungsbereiche sind Überwachungssysteme für die Zugbeeinflussung und Steuergeräte elektrifizierter Automobile mit autonomen Fahrfunktionen, die im Rahmen von SesiM berücksichtigt werden sollen. Neben einzelnen zentralen Komponenten bieten elektronische Baugruppen selbst ein hohes Innovationspotential, um die funktionale Integrität zu garantieren.
Hauptziel des Verbundvorhabens ist die Entwicklung einer hybriden, modellbasierten Zustandsüberwachung komplexer elektronischer, mechatronischer Systeme und der prototypischen Implementierung in relevante Anwendungen der Automobil- und Bahntechnik, z. B. sicherheitsrelevante Elektroniksysteme zur Zugbeeinflussung und Steuergeräte elektrifizierter Automobile mit autonomen Fahrfunktionen.
INNOVATION & METHODIK
Zentraler Aspekt von SesiM ist die Entwicklung einer KI-basierten Zustandsüberwachung für den optimierten Betrieb von Automobil- und Bahntechnik. Ein digitaler Fingerabdruck der elektro- und mechatronischen Baugruppen wird erzeugt, um auf alterungsbedingten Verschleiß und sicherheitskritische Änderungen proaktiv reagieren zu können. Sich ändernde Einflüsse von Fertigungsprozessen und Materialqualitäten, ex- und intrinsischen Belastungen in der Nutzungsphase sowie systembeschreibende Sensordaten werden erfasst, bewertet und innerhalb einer innovativen Modellbildung genutzt. Der neuartige Ansatz wird in eine Selbstdiagnose auf Systemebene eingebunden und es wird ein intelligentes Betriebs- und Wartungsmanagement realisiert. Bei sicherheitskritischen Systemen werden aktuell starke Überauslegung oder redundante Aufbauten zur Vermeidung von Ausfällen genutzt.
UNSER BEITRAG
Kern des Projektbeitrags der Gestalt Robotics ist die Entwicklung angepasster KI Methoden für die Inspektion von Elektronikbauteilen sowie die Entwicklung einer übergreifenden Kommunikationsarchitektur für die Selbstvalidierung von Elektronikbauteilen. Bezüglich der Umsetzung gemeinsamer Musteranwendungen und Demonstratoren erfolgt eine Beteiligung an der Konzepterstellung für Sensorik, Online-Überwachung und Datengenerierung unter Betrachtung der anwendungsspezifischen Voraussetzungen hinsichtlich Datenaugmentierung, Generierung synthetischer Bilddaten sowie Active-Learning-Ansätzen. In diesem Kontext wird ferner die Eignung von Few-Shot-Learning-Methoden erprobt. Für die Kommunikationsarchitektur werden ergänzend Datenschutz- und Eigentumsaspekte bez. Bilddaten untersucht.
Keyfacts
Greybox-Modelle
Datengetriebene und physikalische Modelle
Kombination und Bildung hybrider Modelle
Verbesserte Vorhersage der Restlebensdauer
Augmentierung & Revision
Systemische Variation von Bildeigenschaften
Synthetische Daten aus Simulation
KI-Revision, und kontinuierliches Lernen
Few Shot Learning
Lernen mit nur wenigen Beispielen
Vermeidung aufwendiger Trainingsprozesse
Sofortige Einsetzbarkeit
Verteilte Kommunikation
KI-Funktionen - über den Lebenszyklus
Skalierbare Architektur mit Cloud und Edge
Datenschutz und Privacy
Partner & Förderung
Siemens AG
Projektleitung, Erfassung von digitalen Daten der Elektronikfertigung (Bahntechnik), Big Data, Cloudcomputing (Mindsphere) sowie Aufbau verteilter Sensorsysteme sowie Closed Loop Verfahren zur Qualitätssteigerung
Robert Bosch GmbH
Analyse von Mission Profiles und Ableitung von beschleunigten Belastungsprofilen und Testplänen, experimentelle und simulative Lebensdauerermittlung von Elektroniksystemen sowie Identifikation und Abgleich der Fehlermechanismen durch zerstörungsfreie und zerstörende Prüfverfahren
GÖPEL electronic GmbH
Analyse und Einsatz von Technologien (Hard- und Software) für die Generierung und Bereitstellung von Bildinformationen elektronischer Baugruppen, Erfassung und Aufbereitung gewonnener Daten sowie deren performante Ablage inkl. Bereitstellung
AUCOTEAM GmbH
Entwicklung neuer Prüfverfahren, Prüfeinrichtungen, Zuverlässigkeitsuntersuchungen und Lebensdauerprüfungen an elektrischen sowie mechatronischen Komponenten, Datenerfassungssysteme
Universität Stuttgart
Computational Intelligence und Machine Learning, Analyse und dem Management von großen Mengen an Prozess- und Anlagendaten, Kombination von datengetriebenen (Black-Box) und physikalischen (White-Box) Modellen zu einem hybriden Modell
Fraunhofer IZM
Bewertung des Zustands elektronischer Systeme, messtechnische Umsetzung der Konzepte, Alterungs- und Ausfallanalysen sowie zuverlässige Systemintegration in mikroelektronische Aufbauten
Förderung
Bundesministerium für Wirtschaft und Energie
Programm
„Künstliche Intelligenz als Schlüsseltechnologie für das Fahrzeug der Zukunft“
Laufzeit
07.2021 – 06.2024
Projektträger
TÜV Rheinland Consulting GmbH
Projektposter
Projektposter als druckbares PDF
Dieses Forschungs- und Entwicklungsprojekt wird/wurde durch das Bundesministerium für Wirtschaft und Energie im Programm „Künstliche Intelligenz als Schlüsseltechnologie für das Fahrzeug der Zukunft“ gefördert und vom Projektträger TÜV Rheinland Consulting GmbH betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.