- Januar 16, 2024
Die exponentielle Zunahme des Einsatzes von Sensoren in Fahrzeugen und die Fülle von Daten, die sie erzeugen, bieten der Automobilindustrie eine spannende Möglichkeit, diese Daten zu analysieren und das Niveau der Fahrautonomie durch fortschrittliche Fahrerassistenzsysteme schrittweise zu erhöhen. Punch Powertrain arbeitet an neuen Technologien, die KI, Big Data und maschinelles Lernen nutzen, um die Produktmerkmale zu verbessern und die Produktentwicklungszeiten zu verkürzen. Das Ziel von Punch Powertrain ist es, KI schrittweise in allen Abteilungen zu verankern und sie so zu einem Teil der Unternehmens-DNA zu machen.
Da die Zukunft des Automobils in der Elektromobilität liegt, bringt die Integration von KI zwei wesentliche Vorteile mit sich. Erstens erhöht sie den Grad der Fahrautonomie bei E-Fahrzeugen und zweitens verkürzt sie die Zeit bis zur Markteinführung. Darüber hinaus gibt es sekundäre Vorteile, wie die Auswirkungen auf die Kosteneffizienz und die Optimierung des Produktdesigns.
Erhöhte Fahrautonomie
Den Grad der Fahrautonomie zu erhöhen bedeutet in erster Linie, die Fahrbarkeit zu verbessern, indem dem Fahrer ein großer Teil der Denkarbeit abgenommen wird. Durch die Analyse der historischen Daten entscheidet die Software, welcher Fahrmodus – von sparsam bis leistungsorientiert – zu einem bestimmten Zeitpunkt erforderlich ist, und sorgt dafür, dass sich der E-Antrieb ausgewogen und gleichmäßig verhält.
Kürzere Zeit bis zur Markteinführung bei günstigeren Kosten
Darüber hinaus spielen Daten eine entscheidende Rolle bei der Beschleunigung der Markteinführung, indem sie die Entwicklung hochpräziser und zuverlässiger Modelle erleichtern. Virtuelle Muster, die als digitale Zwillinge fungieren, werden erstellt, um den Bedarf an physischen A- (und B-) Mustern zu beseitigen. Diese digitalen Modelle sind während des gesamten Entwicklungsprozesses für alle Ingenieure zugänglich. Wenn diese Modelle in die Produktion übergehen, werden die Daten der Montagelinie in eine Datenbank für maschinelles Lernen/AI eingegeben, um den Montageprozess zu verbessern, mit dem letztendlichen Ziel, die Notwendigkeit einer physischen Endkontrolle zu eliminieren.
Insbesondere hat Punch Powertrain mit 2 Projekten gezeigt, welchen Unterschied maschinelles Lernen und KI bei der Entwicklung und Verbesserung von produktspezifischen Funktionen machen können: ConACon (Context Aware Control) und HAIEM (Hybrid AI Environment Model).
KI-Tools greifen auf die umfangreichen Daten zurück, die bei früheren Projekten gesammelt wurden, und verbessern die Zuverlässigkeit dieser Modelle für eine vollständig virtuelle Prototyping-Umgebung. Dieser Ansatz minimiert den Zeit- und Kostenaufwand für das physische Prototyping bei zukünftigen Entwicklungen.
Projekt: ConACon (Context Aware Control)
Prädiktive Fahrstrategiesoftware, die automatisch Fahrbarkeitseinstellungen anpasst, nutzt maschinelles Lernen, um Entscheidungen zu treffen und passt die Fahrweise on-the-fly an, basierend auf dem sich ändernden Kontext. Dies bietet einen großen Vorteil gegenüber der bedingten Programmierung, die nur if/then/else-Befehle erkennt. Dabei werden 3 Eingangsquellen verwendet, die dedizierten ConACon-Blöcken zugeordnet sind, die bevorzugte Fahreinstellungen interpretieren und generieren. 2 davon sind sogenannte schnelle Eingaben, die eine sofortige Aktion erfordern.
Block 1 kümmert sich um die Eingaben des Fahrers (Gas, Bremse, Lenkung) und wird von unserem Team für Fahrverhalten und Fahrstrategie entwickelt. Er verwendet Daten, die über Simulationen generiert werden, anstatt reale Daten während der Fahrt zu sammeln, was teuer und zeitaufwendig ist.
Der zweite Block ist der Straßen- und Fahrstilerkennung gewidmet. Ein bei Punch Powertrain vollständig entwickeltes Klassifizierungs-Zufallswaldmodell verwendet Daten, die bei Testfahrten mit verschiedenen Fahrern gesammelt wurden, um einen “generischen” Fahrer zu erstellen. Der Import konkreter Daten würde es der Software ermöglichen, das Fahrverhalten auf einen einzigartigen, spezifischen Fahrer zuzuschneiden.
Der dritte Block würde als regelbasierter Interpreter fungieren, um auch andere Randbedingungen wie Sicherheit, Geschwindigkeitsbegrenzungen und Navigationsbefehle einzubeziehen, befindet sich aber noch in der Entwicklung und wartet auf weitere Daten.
Projekt: HAIEM (Hybride AI für Schätzungen in der Mechatronik)
Dabei handelt es sich im Wesentlichen um eine Kombination aus einem physikalisch induzierten Modell, das mit einem datengesteuerten neuronalen Black-Box-Netz ergänzt wird, um die Modellgenauigkeit bei begrenztem Modellierungsaufwand zu verbessern. Das in HAIEM entwickelte Modellierungstool wird auf die beiden Kupplungen unserer hybriden DCT angewandt, um die Schaltleistung im Vergleich zur klassischen Steuerungsarchitektur zu verbessern, die Nachschlagetabellen zur Kompensation des komplexen nichtlinearen dynamischen Verhaltens verwendet. Ausführliche und umfangreiche Tests haben gezeigt, dass die KI-Vorhersagen sehr gut mit den Ergebnissen im Verhalten der physischen Kupplung übereinstimmen. Dieses hybride Modell macht die meisten dieser Tests überflüssig, spart Zeit und Ressourcen und kann auch für die genaue Anlagenmodellierung zukünftiger E-Antriebssteuerungsherausforderungen verwendet werden.
Was kommt als nächstes?
Punch Powertrain macht sich derzeit die Möglichkeiten von Big Data zunutze, um eine Bibliothek digitaler Zwillinge verschiedener Systeme und Teilsysteme aufzubauen. KI-Tools greifen auf die umfangreichen Daten zurück, die bei früheren Projekten gesammelt wurden, und verbessern die Zuverlässigkeit dieser Modelle für eine vollständig virtuelle Prototyping-Umgebung. Dieser Ansatz minimiert den Zeit- und Kostenaufwand für das physische Prototyping bei zukünftigen Entwicklungen. Während Punch Powertrain sein Kerngeschäft beibehält, befasst sich das Unternehmen mit den Möglichkeiten von KI und maschinellem Lernen. Das Unternehmen erforscht auch potenzielle Möglichkeiten für generative KI bei der Entwicklung von spezieller Software.
