- Anzeige -
- Anzeige -
Lesedauer: min
Der digitale Zwilling im Fahrzeugbau

Wie mit Daten die Entwicklung beschleunigt werden kann

Der digitale Zwilling im Fahrzeugbau

Bild: ©rook76/Fotolia.de

Fahrzeugbauer erhalten Erkenntnisse über die Qualität und Fahrverhalten neuer Automodelle unter Realbedingungen. Die dabei gesammelten Daten bilden jedoch immer häufiger die Basis für virtuelle Testumgebungen: Digitale Zwillinge erlauben die virtuelle Berechnung von Fahrphysik sowie einzelner Fahrzeugkomponenten bis hin zur Simulation ganzer Fahrereignisse. Moderne Data-Processing-Verfahren sind dabei nicht nur unabdingbar. Auf Grundlage der Datenauswertung kann das Fahrerlebnis optimiert und die Wartung erleichtert werden. Das Potenzial von Big Data aus dem PKW reicht bis hin zur Unterstützung autonomer Mobilitätsszenarien.


Je intelligenter – und damit in der gewünschten Konsequenz auch autonomer – Fahrzeuge und ihre On-Board-Systeme werden, umso mehr tritt auch das Thema Softwareentwicklung für die Automotive-Branche in den Fokus. Schon heute liegen Unmengen an digitalen Informationen vor, die von modernen Fahrzeugen produziert werden und deren Umfang künftig sicherlich weiterwachsen wird. Damit sind Themen wie Software Development, Machine Learning und Data Processing auch bei den Fahrzeugherstellern längst erfolgskritische Größen. Werden Informationen zum physischen Fahrverhalten des PKW unter verschiedensten Witterungsbedingungen und den Metadaten aus Design, Produktion und After-Sales mit synthetischen Ereignismodellen integriert, entstehen Simulationsumgebungen, die hohe Anforderungen an die Datenverarbeitung stellen. Die gute Nachricht ist, dass parallel zur schieren Datenmasse allerdings auch die Möglichkeiten zur Verarbeitung von Big Data wachsen.

Deutliche Effizienzsteigerungen im Messdatenmanagement

Gigantische Datenvolumina aus dem Auto, darunter auch non-binäre Signaldaten, lassen sich inzwischen besser und schneller parallel übertragen. Eine unabhängige Analyse unterschiedlichster Datenquellen, -typen und -klassen ist damit ebenfalls realisierbar. Ausgereifte Signal-Processing-Verfahren sorgen dafür, dass Daten auf bis zu zehn Prozent des ursprünglichen Volumens reduziert werden und die Datenbereitstellung daher mittlerweile um den Faktor 40 im Vergleich zu bisher eingesetzten Standardverfahren beschleunigt werden kann. Intelligente Big-Data-Verfahren haben gelernt, sowohl die immensen Datenmengen aus der Fahrzeugsensorik, als auch die dazugehörigen Backend-Logdateien flexibel und effizient zu verarbeiten. Damit können die Analyse und Auswertung von Testkennzahlen sowie die Ergebnisse aus Prüfstands-Experimenten mit einem zunehmend höheren Automatisierungsgrad durchgeführt werden. Der Einsatz von sogenannten Digitalen Mock-Ups (DMUs), also eines virtuellen Spiegelbilds des zugehörigen Fahrzeug-Backends, liefert stichhaltige Analysen, ohne ein neues Gerät direkt mit dem Fahrzeug in der Praxis testen zu müssen.

Unterschiedliche Formate verlangen nach einheitlicher Kodierung

Lange Zeit bestand im Messdatenmanagement die wesentliche Herausforderung darin, unterschiedliche Aufzeichnungsformate unter einen Hut zu bekommen und damit eine parallele Datenübertragung zu ermöglichen. Datentypen wie etwa ASAM MDF oder ATFX konnten für eine parallele Verarbeitung nicht genutzt werden. Diese Problematik wurde vor allem durch die Format- und Kodierungswechsel einzelner Samples hervorgerufen – ein Phänomen, das entsteht, wenn Signale aus den Sensoren und Geräten mit unterschiedlichen Nachrichtentypen und -frequenzen aufgezeichnet werden. Big Data Frameworks wie Hadoop können die strukturelle Heterogenität der Momentaufnahmen aus den Sensor-Clustern und Statusberichten der einzelnen Geräte kaum handhaben. Neuartige Verfahren, wie etwa Norcom Dasense oder Big Data Signal Processing (BDSP), schlüsseln die Simulationsdateien MDF4, DAT oder CSV oder die Trace-Formate ASC, ATFX, ADTF und VPCAP auf und wandeln sie in verteilte Formate wie beispielsweise ORC oder Parquet um. Sowohl die Transkodierung als auch die Analyse der Messdaten finden in einem skalierbaren Computer-Cluster statt – so können auch ad hoc schnell große Datenvolumen abgearbeitet werden. Die Reduzierung der Originaldaten auf zehn Prozent ihrer ursprünglichen Größe ist im Wesentlichen durch zwei Faktoren möglich: Zum einen verzichtet BDSP auf die Sample-basierte Darstellung der ursprünglichen Messdaten; zum anderen werden Signalredundanzen minimiert. Ein weiterer Vorteil einer intelligenten Transkodierung liegt darin, dass die umgewandelten Big-Data-Formate gleich die nötigen Berechnungsvorschriften erfüllen, um Analysen auf möglichst vielen Maschinen parallel durchführen zu können. Typische Engineering-Fragestellungen zu Steuerprozessen, On-Board-Funktionen und Fahrzeugverhalten können so binnen weniger Minuten beantwortet werden.

Seiten: 1 2Auf einer Seite lesen

Autor:
Firma:
- Anzeige -

News

Weitere Beiträge

Das könnte Sie auch interessieren

Erste marktreife KI-Anwendung für Lackierereien

Advanced Analytics von Dürr ist die erste marktreife KI-Anwendung für Lackieranlagen. Die intelligente Lösung, die neueste IT-Technologie mit Maschinenbaukompetenz kombiniert, identifiziert Fehlerquellen und ermittelt optimale Wartungszeitpunkte. Zudem spürt sie bislang unbekannte Zusammenhänge auf und passt mit diesem Wissen selbstlernend den Algorithmus an der Anlage an. Erste Praxiseinsätze belegen, dass die Software von Dürr die Anlagenverfügbarkeit und die Oberflächenqualität lackierter Karosserien optimiert.

mehr lesen

Künstliche Intelligenz – zwischen Hype und Realität

Das Thema künstliche Intelligenz (KI) ist aus der aktuellen Debatte um Zukunftstechnologien nicht wegzudenken. Prof. Markus Kaiser, Professor für praktischen Journalismus an der TH Nürnberg, organisiert im Sommersemester 2020 eine Ringvorlesung zum Thema ‚künstliche Intelligenz‘. Expertinnen und Experten aus Wirtschaft und Forschung erläutern an fünf Abenden die Chancen und Folgen von neuen Technologien. Alle Interessierten sind herzlich willkommen.

mehr lesen

Fraunhofer IAO untersucht Potenziale und Einsatz von KI in Unternehmen

Wie kommt künstliche Intelligenz (KI) in der Unternehmenspraxis an? Welche Potenziale versprechen sich Unternehmen davon, welche Auswirkungen erhoffen und fürchten sie und wo werden KI-Technologien schon in der Praxis eingesetzt? Diese und weitere Fragen zu den Potenzialen und Auswirkungen von KI hat das Fraunhofer IAO auf Basis einer Befragung untersucht. Die resultierende Publikation ‚Künstliche Intelligenz in der Unternehmenspraxis‘ ist ab sofort kostenlos erhältlich

mehr lesen

Studie: Künstliche Intelligenz in der öffentlichen Verwaltung

Was ist künstliche Intelligenz und wie wird sie in den kommenden Jahren die Organisation und Arbeitsweisen der öffentlichen Verwaltung verändern? Das Fraunhofer IAO sowie die Zeppelin Universität haben im Auftrag der Digitalakademie@bw diese Fragestellung untersucht. Die jetzt vorliegende Studie liefert einen Überblick der Fähigkeiten und Einsatzmöglichkeiten von KI im öffentlichen Sektor.

mehr lesen

Förderung für die KI-Forschung der Technomathematik

Künstliche Intelligenz (KI) ist zurzeit einer der dynamischsten Forschungs- und Wirtschaftsbereiche. Ob es um Sprachassistenzsysteme, Krebsdiagnose oder Autonomes Fahren geht – eine korrekte und leistungsfähige mathematische Basis ist stets die Voraussetzung für neue KI-Lösungen. Die Expertise dafür kommt auch aus der Universität Bremen: Das Zentrum für Technomathematik erhält jetzt zwei Millionen Euro, um in mehreren Projekten als wissenschaftlicher Partner neue KI-Anwendungen zu realisieren.

mehr lesen

Schutz der Privatsphäre und KI in Kommunikationssystemen

Alle zwei Jahre vergeben der VDE, die Deutsche Telekom sowie die Städte Friedrichsdorf und Gelnhausen den mit 10.000 Euro dotierten Johann-Philipp-Reis-Preis an einen Nachwuchswissenschaftler. Dieses Jahr geht er an Prof. Dr.-Ing. Delphine Reinhardt von der Georg-August-Universität Göttingen und an Dr.-Ing. Jakob Hoydis von den Nokia Bell Labs in Nozay, Frankreich. Die beiden Preisträger teilen sich die Auszeichnung und damit das Preisgeld.

Infor bringt Infor Coleman AI auf den Markt

Infor, Anbieter von branchenspezifischer Business-Software für die Cloud, hat bekanntgegeben, dass die Plattform Infor Coleman AI für Embedded-Machine-Learning-Modelle ab sofort verfügbar ist. Sie bietet die Geschwindigkeit, Wiederholbarkeit und Personalisierung, die Unternehmen benötigen, um KI vollständig zu operationalisieren.