Wie mit Daten die Entwicklung beschleunigt werden kann

Der digitale Zwilling im Fahrzeugbau

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.

(Bild: @ArchMen/Fotolia.com)

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.

Das könnte Sie auch interessieren

Carbon Management-Technologien stehen im Fokus, um CO2-Emissionen zu reduzieren und zu managen. Die Rolle des Maschinenbaus und mögliche Entwicklungspfade betrachtet eine neue Studie des VDMA Competence Center Future Business.‣ weiterlesen

Hohe Geschwindigkeit und hohe Erkennungsraten sind die Anforderungen an die Qualitätskontrolle in der Verpackungsbranche. Wie diese Anforderungen erreicht werden können, zeigt das Unternehmen Inndeo mit einem Automatisierungssystem auf Basis von industrieller Bildverarbeitung und Deep Learning.‣ weiterlesen

Jeder zweite Betrieb investiert laut einer Betriebsräte-Befragung der IG Metall zu wenig am Standort. Demnach verfügen rund 48 Prozent der Unternehmen über eine Transformationsstrategie. Zudem sehen die Betriebsräte ein erhöhtes Risiko für Verlagerungen.‣ weiterlesen

Ziel des neuen VDMA-Forums Manufacturing-X ist es, der zunehmenden Bedeutung von Datenräumen als Basis für neue, digitale Geschäftsmodelle Rechnung zu tragen. Wie der Verband mitteilt, soll das Forum auf dem aufbauen, was in der letzten Dekade durch das VDMA-Forum Industrie 4.0 erarbeitet wurde. ‣ weiterlesen

Ob es sich lohnt, ältere Maschinen mit neuen Sensoren auszustatten, ist oft nicht klar. Im Projekt 'DiReProFit' wollen Forschende dieses Problem mit künstlicher Intelligenz zu lösen.‣ weiterlesen

Wie kann eine Maschine lernen, sich in unserer Lebenswelt visuell zu orientieren? Mit dieser Frage setzen sich die Wissenschaftler am Deutschen Forschungsinstitut für Künstliche Intelligenz (DFKI) aktuell auseinander – und entwickeln Lösungen.‣ weiterlesen

Die seit 2020 geltende staatliche Forschungszulage etabliert sich im deutschen Maschinen- und Anlagenbau mehr und mehr als Instrument der Forschungsförderung. Ein wachsender Anteil der Unternehmen nutzt die Forschungszulage. Besonders geschätzt werden die verbesserten Finanzierungsmöglichkeiten sowie der erleichterte Zugang zur staatlichen Förderung von Forschung und Entwicklung (FuE).‣ weiterlesen

Der Nutzen neuer Technologien kommt nur dann zum Tragen, wenn diese von den Menschen mindestens toleriert, besser aber gesamtgesellschaftlich angenommen werden. Dafür braucht es Dialog und Möglichkeiten für gemeinsame Gestaltung. Welche Kommunikationsformate sich hierfür eignen und welche Wirkung sie bei den Beteiligten erzielen, das hat das Acatech-Projekt 'Technologischen Wandel gestalten' bei den Themen elektronische Patientenakte, digitale Verwaltung und Katastrophenschutz untersucht. Jetzt hat das Projektteam die Ergebnisse vorgelegt.‣ weiterlesen

Der Fachkräftemangel erfordert einen möglichst intelligenten und flexiblen Personaleinsatz. KI spielt dabei eine wichtige Rolle. Der Industriesoftware-Spezialist Augmentir zeigt sechs Ansatzmöglichkeiten auf.‣ weiterlesen

Eine aktuelle Studie von Reichelt Elektronik betrachtet den aktuellen Stand der Digitalisierung und stellt die Frage, wie Deutschland im Vergleich zu anderen europäischen Ländern abschneidet.‣ weiterlesen

Können Roboter dabei helfen, dem Fachkräftemangel in der Logistik-Branche Herr zu werden? Der Branchenverband IFR meint ja - und zwar mit Hilfe von Robotik, die durch künstliche Intelligenz unterstützt wird.‣ weiterlesen