KI-basierte Ermittlung der mechanischen Beanspruchung am Hochvoltspeicher

Kenntnis über die mechanischen Beanspruchungen eines Bauteils ermöglicht die Ableitung von maßgeschneiderten Auslegungszielen und Absicherungsmaßnahmen. Des Weiteren kann eine vorausschauende Wartung implementiert werden, wenn während des Betriebs potenzielle Schädigungen des Bauteils erkannt werden. Tatsächlich ist jedoch nicht jedes Bauteil mit Sensoren ausgestattet. Es werden Vorhersagemodelle benötigt, die ausgehend von am Fahrzeug vorhandener Sensorik, Informationen über relevante Bauteile ableiten, die nicht messtechnisch erfasst sind. Der Zusammenhang zwischen verschiedenen Bauteilen ist oft sehr komplex, zwar existieren hierfür geeignete Modellansätze, diese sind aber oft äußerst rechenintensiv, sodass ein Einsatz in der virtuellen Produktentwicklung nur eingeschränkt möglich ist, eine Anwendung im Fahrzeug kaum in Frage kommt. Datengetriebene Verfahren aus dem Bereich der Künstlichen Intelligenz(KI) bieten eine Alternative, sie können diese komplexen Zusammenhänge aus Beobachtungsdaten erlernen und ermöglichen eine Vorhersage mit geringem rechnerischem Aufwand. BMW und das Fraunhofer ITWM haben hier gemeinsam Studien durchgeführt: es wurde die Machbarkeit untersucht, die mechanische Beanspruchung am Hochvoltspeicher(HVS) eines Fahrzeugs mithilfe einer KI-basierten Übertragungsfunktion zu ermitteln. Auf Ausgangsseite werden Beschleunigungen an verschiedenen HVS-Stellen betrachtet. Trainingsdaten werden durch Simulation eines FE-Gesamtfahrzeugmodells generiert. In diesem Beitrag berichten wir über die gewonnenen Erkenntnisse. Wir gehen auf die Modellauswahl ein und diskutieren mögliche Alternativen, wir analysieren die Vorhersagegüte in Abhängigkeit von Modellstruktur, Messstelle des Ausgangssignals, Konfiguration der Eingangssignale und betrachtetem Event.