Intelligente Datenanalysemethoden für die Überwachung und Optimierung von Prüfdaten, Steuergeräten und Prüfständen können in der Autoindustrie verschiedentlich Anwendung finden. So verfügt etwa ein modernes Motorsteuergerät über mehr als 50.000 Einstellparameter, die maßgebend sind für Leistung, Verbrauch, Verschleiß und die gesamte Performanz des Motors. Durch Deep Learning-Technologien, genauer gesagt durch den Einsatz neuronaler Netze im Steuergerät, kann dieses selbstständig die optimale Einstellung der Eingangsgrößen „lernen“.

Deep Learning Wie Analysemethoden der Künstlichen Intelligenz in der Motorentwicklung zum Einsatz kommen können, soll im "Forschungslabor Lernen aus Prüfdaten" untersucht werden.

Wie Analysemethoden der Künstlichen Intelligenz in der Motorentwicklung zum Einsatz kommen können, soll im „Forschungslabor Lernen aus Prüfdaten“ untersucht werden. IAV

Die Verwendung solcher Netze bei der Zeitreihenanalyse von Motorprüfdaten ermöglicht zudem neue Ansätze für das Predictive Health Monitoring, so dass sich die Voraussage von Verschleiß und Wartungsfällen verbessern lässt. Die Erforschung und Entwicklung entsprechender Verfahren steht im Fokus des neuen Forschungslabors. Zugleich soll im FLaP auch an neuen Visualisierungsmöglichkeiten für die vielfältigen Messdaten aus den neuronalen Netzen gearbeitet werden. Die Unternehmen beabsichtigen, eine Art Werkzeugkasten von KI-Tools zu erstellen, den die Automobil-Ingenieure intuitiv und passend einsetzen können.

Matthias Schultalbers, Executive Vice President for Powertrain Mechatronics bei IAV, erklärt hierzu: „Gemeinsam mit dem DFKI übertragen wir die vielfältigen Anwendungspotenziale der KI-Technologien in die Antriebsstrangentwicklung. Dies beinhaltet auf der einen Seite den Einsatz von KI in Steuerungssystemen, auf der anderen Seite neue Möglichkeiten zur Effizienz- und Robustheitssteigerung im Entwicklungsprozess.“