KI beschleunigt die Entwicklung
und Prüfung von E-Motoren
ie jüngsten Fortschritte auf dem Gebiet der künstlichen
Intelligenz (KI) haben sowohl die Algorithmen als auch
die Hardware der Simulations- und Testverfahren erheb-
lich verbessert. Drei KI-Anwendungen sind in diesem Zusam-
menhang besonders hervorzuheben:
• KI-gestützte Analytik: Durch den Einsatz von Entschei-
dungsbäumen und neuronalen Netzen vereinfacht KI die
vorausschauende Wartung von Testumgebungen und die
Erstellung von Digitalen Zwillingen.
• Generative KI: Inspiriert von ChatGPT vereinfacht sie die
Erstellung von Chatbots, die Ingenieur:innen bei ihrer tägli-
chen Arbeit mit Expertentools unterstützen. Darüber hinaus
extrahiert die generative KI relevante Informationen aus
umfangreichen Testdaten und hilft so, schnell zu erkennen,
auf welche Bereiche man sich konzentrieren sollte.
• Computer Vision: Durch die Analyse der Integrität von Prüf-
lingen (z.B. die Überwachung des thermischen Durchge-
hens der Batterie) erhöht die Computer Vision die Sicherheit
und Zuverlässigkeit.
Da die Zahl der Algorithmen und Tools immer größer wird, ist
eine sorgfältige Analyse der Anforderungen und der verfügba-
ren Hardware unerlässlich, um eine kosteneffiziente Leistung
Die Automobil- und Luftfahrtindustrie arbeitet intensiv daran, sowohl
die Kosten als auch die Effizienz des Antriebsstrangs zu optimieren. Der
Weg dorthin führt über kompaktere Bauformen, höhere Drehzahlen und
mehr Leistungsdichte. Komponenten wie Lager, Spulen und Magnete sind
erheblichen Belastungen ausgesetzt, was die entscheidende Bedeutung
einer sorgfältigen Konstruktion unterstreicht.
zu erzielen. Für die prädiktive Wartung auf Prüfständen hat
sich AVL für PUMA 2 Machine Learning mit Entscheidungs-
bäumen entschieden, da diese sowohl der Hardware als auch
den Leistungsanforderungen gerecht werden.
Um den Ressourcenverbrauch zu optimieren und aussage-
kräftige Ergebnisse zu erhalten, werden die Rohdaten vom
Prüfstand in Echtzeit mit hochentwickelten mathematischen
Operationen (z. B. spezifische Filter und FFT) aufbereitet.
Diese vorbearbeiteten Daten werden dann mit KI-Algorithmen
analysiert. Es gibt nicht nur einen Live-Vergleich zwischen
den Rohdaten des Prüfstands und den vorhergesagten Daten,
sondern auch einen Vergleich zwischen den vorhergesagten
und den berechneten KPIs (Oberschwingungen, Wirkungsgrad,
Gesundheitszustand usw.).
Darüber hinaus hilft ein Transfer-Learning-Ansatz unter Ver-
wendung eines Bayes‘schen Modells, die KPIs in Empfehlun-
gen zu übersetzen, die von den Betreibern der Testumgebung
auch ohne Expertenwissen verstanden werden.
Die Integration moderner KI-Algorithmen in Testumgebungen,
kombiniert mit mathematischen und statistischen Analysen,
hilft, Probleme mit Prüflingen zu identifizieren und deren Ursa-
chen schnell zu verstehen.
2024