Datenbasierte Schätzung von Kabelbündelsteifigkeiten mittels Gauß-Prozess-Regression

Kabelbäume, die aus mehreren Kilometern von unterschiedlich kombinierten und gebündelten Kabeln bestehen, sind das Nervensystem eines modernen PKW. Das Fraunhofer ITWM hat in den vergangenen Jahren Methoden entwickelt, um flexible Elemente wie Kabelbündel bereits in frühen Entwicklungsphasen in die simulationsgestützte Bauraumauslegung mit einbeziehen zu können. Dafür werden charakteristische Modellparameter wie die effektiven Biege- und Torsionssteifigkeiten der Bündel benötigt. Die Messung dieser Parameter ist aufgrund der großen Vielfalt der Bündel sehr zeit- und kostenintensiv und oft nicht möglich, wenn reale Bündel(-Prototypen) in der frühen Entwicklungsphase noch nicht vorliegen. In diesem Beitrag stellen wir daher einen datenbasierten Ansatz aus dem Bereich der künstlichen Intelligenz, bzw. des maschinellen Lernens vor, mit dem die effektiven Kabelbündelsteifigkeiten auf Basis einfach zu messender Kabel- und Bündelcharakteristika geschätzt werden können. Mithilfe eines Trainingsdatensatzes, der aus gemessenen Steifigkeiten und weiteren Bündeleigenschaften mit hinreichender Variabilität und Vielfalt besteht, wird ein nichtlineares Modell identifiziert, das anschließend zur Schätzung der effektiven Steifigkeiten weiterer Bündel genutzt werden kann. Wir nutzen dazu die probabilistische Methode der Gauß-Prozess-Regression, mit der nicht nur ein Wert geschätzt wird, sondern eine Vorhersageverteilung. Wir präsentieren und diskutieren diesen Ansatz und demonstrieren seine Anwendbarkeit.

Cable harnesses consisting of several kilometers of differently combined and bundled cables are the nervous system of a modern passenger car. In recent years, the Fraunhofer ITWM has developed methods to include flexible elements such as cable bundles in design and assembly simulations already in early development phases. This requires characteristic model VDI-Bericht Nr. 2407 - 20. VDI-Kongress SIMVEC 2022 - Baden-Baden - 22. und 23. November 2022 parameters such as the effective bending and torsional stiffnesses of the bundles. Due to the high variability of the bundles, the measurement of these parameters is time-consuming and cost-intensive and often not possible if real bundle prototypes are not available in the early development phase. In this paper, we present a data-based approach from the field of artificial intelligence, or machine learning, to estimate effective cable bundle stiffnesses based on easy to measure cable and bundle characteristics. Using a training dataset consisting of measured stiffnesses and other bundle characteristics with sufficient variability and diversity, we identify a nonlinear model that can subsequently be used to estimate the effective stiffnesses of additional bundles. We use the probabilistic method of Gaussian Process regression for this purpose, which estimates a predictive distribution rather than just one value. We present and discuss this approach and demonstrate its applicability, especially for automotive applications.