FORCuDE@BEV

Zur Absicherung eines neu entwickelten Produktes kommen häufig Prüfstandsversuche zum Einsatz. Dabei unterscheidet sich das Verhalten des Produktes auf dem Prüfstand teilweise stark vom Verhalten in späteren Feldversuchen, in denen die realen Betriebsbedingungen vorliegen. Beispielsweise können sich die akustischen Emissionen eines Fahrzeuggetriebes schon bei kleinen Abweichungen stark verändern. Daher ist es das Ziel des Teilprojekts eine möglichst allgemeingültige Digital Engineering-Methodik zu erarbeiten, die die Verknüpfung von Prüfstands- und Feldversuchen und den versuchsbegleitenden Simulationen ermöglicht. Hierzu befasst sich das Teilprojekt mit dem effizienten Abgleich von Prüfstands- und Feldversuchen und der Abweichungsanalyse der erzielten Ergebnisse.

Dabei stehen zwei Aspekte im Fokus. Zum einen gilt es, bisher unbekannte Wirkzusammenhänge aus den Ergebnissen von Prüfstand- und Feldversuchen zu identifizieren, besonders im Hinblick auf abweichendes Produktverhalten. Dies kann zu einer verbesserten, prüfstandsseitigen Versuchsplanung, zu einer besseren Nachvollziehbarkeit der Wirkzusammenhänge und zur Optimierung der Produktqualität zukünftiger Generationen führen. Der zweite Aspekt bezieht sich auf die frühere Berücksichtigung von Erkenntnissen aus dem Feldversuch im Entstehungsprozess einer aktuell entwickelten Produktgeneration. Hierbei sollen Daten zu vorhergehenden Generationen „n-1“ verwendet werden, um durch den Einsatz von speziellen Data-Mining-Methoden und datengetriebenen Werkzeugen auf das mögliche Produktverhalten der aktuellen Generation „n“ im Feld zu schließen, ohne dass bisher reale Feldversuche durchgeführt wurden. Wie in Bild 1 dargestellt, können hierfür Digital Engineering (DE)-Methoden wie Künstliche Neuronale Netze verwendet werden. Dies bedeutet eine Verkürzung der Entwicklungszeiten, da Informationen über ein abweichendes Verhalten früher zur Verfügung stehen.

Das Arbeitsprogramm zur Betrachtung der beiden Aspekte ist so aufgebaut, dass im ersten Teil (AP 1-3) eine Analyse und Erfassung der bestehenden datengetriebenen Methoden sowie notwendiger Ein- und Ausgangsdaten erfolgt. In den Arbeitspaketen 3-6 erfolgt die Konzipierung, die Umsetzung und die Evaluation der entwickelten Digital Engineering-Methodik. Dabei findet die Anpassung (Customization) an einen industriellen Anwendungsfall statt.

Bild 1: Verknüpfung von Ergebnissen aus Prüfstand und Feld mit Methoden des Digital Engineerings am Beispiel des überwachten, maschinellen Lernens