Künstliche Intelligenz auf dem Prüfstand
Der Elektromotor läuft auf dem Prüfstand. Während der Entwicklungsphase wird er unter unterschiedlichsten Bedingungen getestet – von niedrigen bis hohen Temperaturen und über verschiedene Belastungsgrenzen hinweg. Sekunde für Sekunde entstehen neue Messdaten.
Bislang haben Ingenieurinnen und Ingenieure nach jeder Messreihe entschieden, welche Versuche als Nächstes durchgeführt werden. Das hat Zeit gekostet – und viel Erfahrung. Gleichzeitig werden Fahrzeuge immer komplexer, Entwicklungszyklen kürzer und Prüfstände zu einer knappen Ressource.
Ein Forschungsteam von Bosch Research hat dafür eine neue Methode entwickelt: „Safe Active Learnin““. Sie hilft dabei, hochwertige Messdaten schneller und effizienter zu gewinnen und beschleunigt damit die Entwicklung neuer Technologien. Die künstliche Intelligenz (KI) entscheidet während des Prozesses selbst, welche Messung als Nächstes den größten Erkenntnisgewinn verspricht – und sorgt gleichzeitig dafür, dass der Prüfstand jederzeit innerhalb der Vorgaben arbeitet.
„Prüfstände sind teuer und jede Stunde darauf zählt. Uns hat deshalb beschäftigt, wie wir mit möglichst wenigen Versuchen möglichst viel über ein System lernen können“, sagt Daniel Neyer, Projektleiter im Bereich angewandte KI für Elektromobilität. „Der konkrete Anstoß für unser Projekt kam aus der Entwicklung eines virtuellen Temperatursensors für einen Elektroantrieb. Es wurde schnell klar: Nicht die Modelle sind der Engpass, sondern die aufwendige Datenerfassung dafür.“
Intelligente Messplanung
Man kann sich Safe Active Learning wie einen besonders neugierigen Versuchsplaner vorstellen. Nach jeder Messung fragt sich die KI: Wo weiß ich noch zu wenig? Genau dort plant sie den nächsten Versuch. Bereiche, die bereits ausreichend verstanden sind, lässt sie aus.
Die Methode lernt also nicht nur aus den vorhandenen Daten – sie entscheidet selbst, welche Daten überhaupt noch fehlen. Während der Elektromotor auf dem Prüfstand läuft, bewertet die KI jede neue Messung und berechnet daraus den nächsten sinnvollen Betriebspunkt. Die neuen Messdaten fließen unmittelbar wieder in ihre Entscheidung ein. So wird der Messprozess Schritt für Schritt intelligenter und zielgerichteter. Das Ziel ist jedoch nicht, die KI zu trainieren, sondern mit möglichst wenigen Versuchen genau die Messdaten zu gewinnen, die für zuverlässige Temperaturmodelle, virtuelle Sensoren oder digitale Zwillinge benötigt werden.
Sicherheit zuerst
Doch Erkenntnisgewinn allein reicht nicht aus. Eine KI könnte theoretisch auch Messungen auswählen, die einen Motor an seine Belastungsgrenzen bringen oder den Prüfstand unnötig beanspruchen würden. Safe Active Learning berücksichtigt deshalb jederzeit die zulässigen Betriebsgrenzen und wählt ausschließlich Versuche aus, die innerhalb dieser Grenzen sicher durchgeführt werden können. Sicherheit ist damit kein nachträglicher Kontrollmechanismus, sondern Bestandteil jeder einzelnen Entscheidung der KI.
„Uns ist wichtig, dass die KI nicht nur effizient arbeitet, sondern einen sicheren Betrieb gewährleistet“, sagt Katharina Ensinger, Forschungsingenieurin bei Bosch Research. „Die eigentliche Herausforderung bestand darin, der KI genügend Freiheit zum Lernen zu geben und gleichzeitig sicherzustellen, dass sie niemals die definierten Sicherheitsgrenzen überschreitet.“
Bessere Datengrundlagen
Am Elektromotor zeigte das Team erstmals, wie sich Safe Active Learning unter realen Entwicklungsbedingungen einsetzen lässt. Ein Beispiel sind virtuelle Temperatursensoren. Sie berechnen Temperaturen, die sich im Fahrzeug später nicht oder nur mit großem Aufwand direkt messen lassen. Damit moderne Antriebssysteme zuverlässig arbeiten, müssen ihre Temperaturen unter unterschiedlichsten Betriebsbedingungen bekannt sein. Diese Informationen schützen Bauteile vor Überhitzung und bilden die Grundlage für automatisierte Tests sowie datenbasierte Modelle.
Je präziser diese Messdaten sind, desto zuverlässiger lassen sich spätere Modelle entwickeln. „Wir erhalten Datensätze mit hoher Aussagekraft, aus denen sich direkt virtuelle Sensoren entwickeln lassen“, sagt Matthias Kränzler, Forschungsingenieur bei Bosch Research. „Viele sprechen darüber, bestehende KI-Modelle besser zu machen. Uns hat zunächst eine andere Frage beschäftigt: Wie kommen wir überhaupt schneller an die richtigen Daten?“ Je besser die zugrunde liegenden Messdaten sind, desto zuverlässiger arbeiten virtuelle Sensoren. Davon profitieren auch digitale Zwillinge – digitale Abbilder realer Systeme, die Entwicklungsprozesse beschleunigen und Tests teilweise in die virtuelle Welt verlagern können.
Gemeinsam entwickelt
Die Entwicklung der neuen Methode war von Anfang an ein gemeinsames Projekt verschiedener Disziplinen. Forschende aus dem Bereich KI arbeiten eng mit Expertinnen und Experten für elektrische Antriebssysteme zusammen. „Wir verstehen uns als Brückenbauer zwischen KI-Forschung und der technischen Anwendung“, sagt Daniel. „Erst im engen Austausch mit den Entwicklungsteams wurde deutlich, welche Entscheidungen eine KI am Prüfstand tatsächlich übernehmen muss und welche Anforderungen sie dabei erfüllen muss.“
Ein wichtiger Meilenstein war der erste Langzeiteinsatz am Prüfstand. Über mehrere Tage hinweg lief Safe Active Learning ohne Unterbrechung und zeigte, dass die Methode auch unter realen Entwicklungsbedingungen zuverlässig funktioniert.
Die Ergebnisse sprechen für sich: Je nach Anwendung lassen sich individuelle Messprozesse um bis zu 50 Prozent beschleunigen. Entwicklungsprojekte können dadurch mehrere Wochen früher abgeschlossen werden. Der größte Gewinn liegt jedoch nicht allein in der Zeitersparnis. Weil die KI gezielt Wissenslücken schließt, entstehen aussagekräftigere Datensätze mit weniger Versuchen. Das verbessert die Grundlage für datenbasierte Modelle und ermöglicht es, Entwicklungsentscheidungen früher auf einer belastbaren Datenbasis zu treffen.
„Wir sparen nicht nur Zeit“, sagt Matthias. „Wir schaffen gleichzeitig eine bessere Grundlage für datenbasierte Entwicklung.“
Breites Potenzial
Inzwischen hat die Technologie den nächsten Entwicklungsschritt erreicht. Gemeinsam mit ETAS wurde die Methode in eine industrielle Softwarelösung überführt und kann Entwicklerinnen und Entwickler bei automatisierten Messkampagnen unterstützen. Die Einsatzmöglichkeiten reichen dabei weit über Elektroantriebe hinaus. Auch Wärmepumpen, Verbrennungsmotoren, Lenksysteme oder andere technische Systeme könnten künftig von der intelligenten Messplanung profitieren.
Gerade darin zeigt sich die Stärke des Forschungsansatzes: Eine Methode, die für einen konkreten Anwendungsfall entwickelt wurde, lässt sich auf zahlreiche weitere Domänen übertragen. Safe Active Learning zeigt beispielhaft, wie aus einer wissenschaftlichen Idee praktische Innovation entstehen kann. Was mit einer neuen Methode aus der KI-Forschung begann, entwickelt sich zu einem Werkzeug, das Entwicklungsprozesse beschleunigt und Prüfstände effizienter nutzt.
Für das Team von Bosch Research ist das jedoch erst der Anfang. Derzeit arbeiten die Fachleute daran, den Ansatz auch für weitere Entwicklungsaufgaben nutzbar zu machen. Denn je komplexer technische Systeme werden, desto wichtiger wird die Fähigkeit, aus möglichst wenigen Messungen möglichst viel zu lernen. Die eigentliche Innovation von Safe Active Learning besteht deshalb nicht darin, Messdaten automatisch auszuwerten. Neu ist, dass die künstliche Intelligenz selbst entscheidet, welche Informationen noch fehlen – und wie sie diese innerhalb sicherer Grenzen gewinnt. Sie ersetzt Ingenieurinnen und Ingenieure nicht. Sie unterstützt sie dabei, effizienter zu werden und schneller zu den richtigen Erkenntnissen zu gelangen.