Bei der Entwicklung elektrifizierter Fahrzeuge (EVs), einschließlich Hybridelektrofahrzeuge (HEVs), hybride Plug-in-Elektrofahrzeuge (PHEVs) und Batterie-Elektrofahrzeuge (BEVs), werden mit KI Modelle erstellt, die von Sensoren nicht direkt messbare Größen schätzen, Regelungsstrategien optimieren und schneller simulieren. Diese Techniken integrieren sich direkt in Workflows des Model-Based Design, um physikbasierte Modelle, Regelungsalgorithmen und Verifikationsprozesse zu verbessern, die bereits im Einsatz sind.
Diese KI-Modelle können direkt in MATLAB® und Simulink® trainiert werden. Alternativ lassen sich Modelle importieren, die in Open-Source-Frameworks wie PyTorch trainiert wurden und dann vor der Bereitstellung einen Simulations- und Verifikationsprozess durchlaufen.
Dieser Wandel vollzieht sich bereits in Fahrzeug-Produktionsprogrammen. Hyundai, Cummins, Subaru, Schaeffler, Yanmar, Mercedes-Benz und andere Automobilunternehmen haben KI in ihre EV-Entwicklungsworkflows eingebunden. Die Fallstudien in diesem Whitepaper basieren auf der Arbeit der Konstruktionsteams dieser Unternehmen und zeigen, dass KI-basierte Automobiltechnik keine zukünftige Möglichkeit ist, sondern bereits eingesetzt wird. Unternehmen, die sich nur auf herkömmliche Methoden verlassen, können Schwierigkeiten dabei haben, mit komprimierten Fahrzeugentwicklungszyklen mitzuhalten.
KI-basierte Ansätze zu Modellierung der Regelstrecke, Steuerungs- und Regelungsentwurf, Bereitstellung und Verifikation im Kontext des Model-Based Design.
KI kommt in unterschiedlichen Phasen des Entwicklungsworkflows elektrifizierter Fahrzeuge zum Einsatz:
- Modellierung der Regelstrecke: Die Systemidentifikation erstellt dynamische Modelle direkt aus Messdaten, während die Modellierung reduzierter Ordnung (ROM) verarbeitungsaufwändige Komponentenmodelle ersetzt, darunter auch langsame Co-Simulationen mit Tools von Drittanbietern, durch schnelle, genaue Surrogate. Zusammen genommen ermöglichen diese Ansätze die effiziente Simulation und Echtzeitausführung bei Regelungsentwicklung, Optimierung, Vergleichsstudien und Hardware-in-the-Loop-Tests (HIL).
- Steuerungs- und Regelungsentwurf: Virtuelle Sensoren schätzen Größen, auf die der Regler angewiesen ist, aus bereits auf dem Fahrzeugbus verfügbaren Signalen. Reinforcement Learning, modellprädiktive Regelung sowie andere hoch entwickelte Steuerungs- und Regelungsmethoden unterstützen die Optimierung von Regelungsstrategien und Kalibrierung.
- Bereitstellung und Verifikation: Das Bereitstellen von KI-Modellen in automobilen ECUs und das Verifizieren ihres Verhaltens in sicherheitskritischen Systemen erfordert einen Workflow, der über reines Trainieren hinausgeht: Komprimierung, Codegenerierung, Robustheitstests und Laufzeitüberwachung.
Nachdem ein Fahrzeug in Betrieb genommen wurde, erkennt die KI-basierte Anomalieerkennung eine Degradation in seiner Batterie und Hardware, noch bevor es zu Ausfällen kommt. Betriebsdaten werden zur Frühwarnung vor Fehlern und Abschätzung der Restnutzungsdauer.
In den folgenden Abschnitten wird gezeigt, wie KI-Techniken diese Konstruktionsherausforderungen im gesamten EV-Entwicklungsworkflow angehen.
Anwendungen der KI, um Konstruktionsherausforderungen im gesamten EV-Entwicklungsworkflow anzugehen.
Auch generative KI und Agentic AI halten allmählich Einzug in Konstruktionsworkflows, vom schnellen Generieren von Artefakten bis hin zum Ausführen von Aufgaben gemäß der vom Konstruktionsteam definierten Zielen. Diese Anwendungsfälle werden im vorliegenden Whitepaper nicht erörtert. Stattdessen liegt der Schwerpunkt auf der Nutzung von KI-Modellen, die im Kontext von Model-Based Design erstellt und verifiziert und dann auf Produktionshardware bereitgestellt werden.
Physikmodelle mit hoher Genauigkeit speziell zum Entwerfen von Komponenten, einschließlich solcher aus Tools von Drittanbietern, werden häufig mit Simulink co-simuliert, da sie das detaillierte Komponentenverhalten zeigen, das zur Auswertung von Regelungstechnik, Architekturentscheidungen und Interaktionen auf Systemebene benötigt wird. Diese Komponentenmodelle können zu verarbeitungsaufwändig für die schnellen, bei der Simulation auf Systemebene und der Optimierung des Steuerungs- und Regelungsentwurfs benötigten Iterationen sein und sie sind unter Umständen nicht echtzeitfähig für HIL-Tests oder Onlineschätzungen. Diese Modelle erfüllen ihren ursprünglichen Entwurfszweck, lassen sich aber nicht in größerem Maßstab beim erweiterten Konstruktionsworkflow einsetzen.
Die KI-basierte Modellierung der Regelstrecke geht diese Herausforderung durch zwei miteinander verwandte Ansätze an: Systemidentifikation und Modellierung reduzierter Ordnung. Systemidentifikation verwendet gemessene Labor-, Prüfstands- oder Felddaten, um dynamische Modelle zu erstellen, wenn es eine physische Komponente, aber kein geeignetes Simulationsmodell gibt. Dies ist beispielsweise der Fall, wenn ein Konstruktionsteam eine Komponente von einem Lieferanten erhält und ein Modell zur Simulation auf Systemebene oder zum Steuerungs- und Regelungsentwurf entwickeln muss. Modellierung reduzierter Ordnung verwendet Daten von einem Modell mit hoher Genauigkeit, um ein schnelleres Surrogat zu trainieren, das das vom umgebenden System benötigte Ein-/Ausgabeverhalten beibehält.
MATLAB und Simulink unterstützen beide Workflows. Mit Systemidentifikationstechniken, einschließlich nichtlinearer ARX- und neuronaler Zustandsraummodelle, können KI-basierte dynamische Modelle aus Messdaten erstellt werden. Außerdem lassen sich mit statistischen Versuchsplanungen (Design of Experiments, DOE) an Modellen mit hoher Genauigkeit Trainingsdaten für Modelle reduzierter Ordnung generieren, einschließlich Lookup-Tabellen und KI-basierte Surrogate aus Deep-Learning- oder Machine-Learning-Techniken.
KI-basierte und nicht KI-basierte Ansätze zur Erstellung von ROMs in MATLAB und Simulink.
Hyundai America Technical Center (HATCI) benötigte eine Simulationsumgebung zur Entwicklung der thermischen Regelung im Ioniq 5 AWD, die mit einem Solver mit fester Schrittweite schneller als Echtzeit ausführbar war. Das vorhandene Referenzmodell GT-SUITE war zu langsam für einen iterativen Reglerentwurf und in keinen anderen Simulationsumgebungen bereitstellbar.
Das gesamte Fahrzeug wurde in MATLAB und Simulink nachgebaut: ein kartenbasiertes Antriebsstrangmodell in Simulink und ein vollständiges thermisches System in Simscape® deckten die Leistungselektronik und die Batteriekühlmittelkreisläufe sowie den Kältemittelkreislauf ab. Das Modell wurde gegen Standard-Dynamometerzyklen und Straßendaten eines instrumentierten Ioniq 5 validiert und ein Energieverbrauch innerhalb von 1,3 % der Messwerte bestätigt.
Die Schalttransienten des Kompressors und die Expansionsventildynamik im Kältemittelkreislauf erzeugten ein steifes numerisches Verhalten, wodurch die Simulation bei Verwendung eines Solvers mit fester Schrittweite fehlschlug. Zur Abhilfe wurde der gesamte Kältemittelkreislauf durch ein neuronales, in der Reduced Order Modeler-App trainiertes Zustandsraummodell ersetzt. Die ROM erhält Systemtemperaturen, Ventilpositionen und Pumpengeschwindigkeiten als Eingaben und prognostiziert die Kältemitteltemperatur am Wasserkondensator – dem Interaktionspunkt zwischen dem Kältemittelkreislauf und dem restlichen Kühlungssystem. Die Trainingsdaten stammten von 35 Fahrsitzungen auf der Straße in einem Umgebungstemperaturbereich von -20 bis 35 °C; das Training wurde in unter einer Stunde abgeschlossen.
Wärmemodellarchitektur mit in Simscape beibehaltenen Leistungselektronik- und Batteriekühlmittelkreisläufen; der Kältemittelkreislauf wurde durch die datenbasierte ROM ersetzt, die die Wasserkondensatortemperatur ausgibt. (Bildquelle: Hyundai America Technical Center, Inc.)
Mit der installierten ROM wird das Ioniq 5-Modell bis zu fünf Mal schneller als Echtzeit ausgeführt wird und verwendet dabei einen Solver mit einer festen Schrittweite von 0,1 Sekunden. Validierung gegen Testdaten sowohl im A/C-Modus (30 °C) als auch im Heizmodus (-5 °C) bestätigte die Genauigkeit im gesamten Betriebsbereich.
Simulierte gegen gemessene Temperaturen für wichtige Wärmekomponenten – Motoren, Batterie, Ölkreisläufe, Leistungselektronikkühlmittel und Kältemittel – im A/C-Modus bei 30 °C Umgebungstemperatur. (Bildquelle: Hyundai America Technical Center, Inc.)
Cummins musste bei der Motorzyklussimulation 26 Motoransprechparameter wie Strom, Temperatur, Druck, Drehmomente und NOx-Emissionen prognostizieren. Vorhandene 3D-zu-1D-Simulationen mit Tools von Drittanbietern wurden mit mehr als 20-facher Echtzeit ausgeführt, zu langsam für eine iterative Entwicklung und Kalibrierung.
Das Cummins India-Team evaluierte zwei Ansätze mithilfe der Deep Learning Toolbox™. Ein vorwärtsgerichtetes neuronales Standardnetz (sechs verborgene Schichten, fünf Neuronen pro Schicht) wurde 1.500 Mal schneller als Echtzeit ausgeführt, erzeugte aber eine nicht akzeptable Genauigkeit bei Temperaturprognosen; die Bestimmtheitsmaßwerte lagen bei gerade einmal 0,85. Eine um LSTM (Long Short-Term Memory) erweiterte Architektur mit Dropout-Schichten erzielte Bestimmtheitsmaßwerte über 0,95 bei allen 26 Ansprechungen und wurde dabei 800 Mal schneller als Echtzeit ausgeführt.
„Der Einsatz von MATLAB bringt viele Vorteile; beispielsweise sind kaum oder keine Programmierkenntnisse erforderlich, weshalb auch ein unerfahrener Benutzer diese Modelle entwickeln kann.“
Balkendiagramm, das Bestimmtheitsmaßwerte für sechs Motoransprechparameter vergleicht (Abgasstrom, Turbogeschwindigkeit, Abgastemperatur, Zylinder-Spitzendruck, Bremsdrehmoment und Roh-NOx) für das LSTM-Modell; alle übertreffen 0,95. (Bildquelle: Cummins)
Die trainierten Modelle unterstützen Anwendungen im gesamten Motorentwicklungsworkflow: Modellierung der realen Fahremissionen, Verbrennungsklopferkennung, Verbrennungsmodusübergang in multimodalen Motoren und Motorkalibrierung. Cummins verwendete die Statistics and Machine Learning Toolbox™ zusammen mit der Deep Learning Toolbox; die Parallel Computing Toolbox™ und MATLAB Parallel Server™ beschleunigten den Trainingsablauf.
Subaru nutzte die Deep Learning Toolbox, um ein Surrogatmodell mit neuronalen gewöhnlichen Differentialgleichungen zu erstellen, das Hydraulikdruck-Wellenformen zur automatischen Getriebesteuerungsanalyse erstellt. Das Surrogat nimmt Quelldruck, Öltemperatur und Stromstärke als Eingaben und ersetzt eine verarbeitungsintensive physische 1D-Simulation von Drittanbietern.
Das neuronale ODE-Modell senkt die Berechnungszeit um 99 % und behält die Wellenformgenauigkeit bei – auch in Öltemperaturbereichen, in denen das Modell nicht trainiert worden war. Dies zeigt eine Generalisierung über die ursprünglichen Trainingsdaten hinaus.
Die wichtigsten Aspekte
- Ersetzung langsamer Physik mit hoher Genauigkeit durch schnelle Surrogatmodelle, die entweder mit DOE-basierten Lookup-Tabellen oder mit KI-Architekturen wie LSTM und neuronalem Zustandsraum erstellt wurden; gibt es kein Komponentenmodell, wird ein dynamisches Modell direkt aus Messdaten ermittelt.
- Integration dieser Surrogate in Simscape und Simulink zur Simulation auf Systemebene und für Echtzeit-HIL-Tests; gemeinsame Nutzung in Teams, ohne das geistige Eigentum im Ursprungsmodell preiszugeben.
Nicht überall, wo dringend gemessen werden muss, lassen sich physische Sensoren anbringen. Hitzepunkte an der Elektromotorwicklung befinden sich tief im Blechpaket. Es ist nicht zweckmäßig, die Temperatur einzelner Zellen in einem großen Batteriepaket an jeder Stelle zu instrumentieren. Die Zusammensetzung des Abgases unterscheidet sich innerhalb des Nachbehandlungssystems. KI-basierte virtuelle Sensoren schätzen diese Menge mithilfe trainierter Modelle aus Signalen, die bereits auf dem Fahrzeugbus verfügbar sind – Motorgeschwindigkeit, Drehmomentbefehle, Kühlmitteltemperaturen, Umgebungsbedingungen – und verbessern so die physische Instrumentierung durch errechnete Messungen, mit denen Beobachtbarkeit und Redundanz ohne zusätzliche Hardware gewonnen werden.
Der Entwurfsraum für KI-basierte virtuelle Sensoren reicht von leichten Machine-Learning-Modellen wie Entscheidungsbäumen und Support-Vektor-Maschinen über Deep-Learning-Architekturen wie LSTMs bis hin zu Fully Connected Networks und PINNS (physikinformierte neuronale Netze) mit Domänenwissen. Virtuelle Sensoren können auch mit etablierten beobachterbasierten Methoden wie Kalman-Filtern, Gleitmodusbeobachtern und erweiterten Zustandsbeobachtern erstellt werden. In der Praxis sollten KI-basierte virtuelle Sensoren gegen diese konventionellen Ansätze evaluiert werden, da die beste Wahl vom jeweiligen Einsatzbereich abhängt. Auch hybride Szenarien sind denkbar: Beispielsweise kann ein KI-Modell wie ein neuronales Zustandsraummodell als Prognosemodell in einem erweiterten oder Unscented Kalman-Filter fungieren.
Physikinformierte Modelle zwingen die KI dazu, sich gemäß bekannten übergeordneten Gleichungen zu verhalten, was zwar Robustheit und Interpretierbarkeit verbessert, aber im Voraus einen gewissen Aufwand erfordert, um die daran beteiligte Physik zu definieren. Pure datenbasierte Modelle benötigen eine weniger domänenspezifische Einrichtung, bieten aber auch weniger Einblicke in die Gründe für eine Prognose und weniger Robustheit gegenüber gültigen Betriebsbedingungen außerhalb der Trainingsdaten.
Schaeffler entwickelte einen virtuellen Sensor für einen Elektromotor-Prototypen mit einem neuartigen Kühlschema mit Direktwicklung, wo genaues Temperaturwissen an mehreren internen Stellen entscheidend ist, um eine dauerhafte Entmagnetisierung der Magnete zu verhindern. Statt jeden Hitzepunkt mit einem physischen Sensor auszustatten, wurde ein neuronales Wärmenetz (TNN) erstellt, ein physikinformierter KI-Ansatz auf Basis von Wärmenetzen mit konzentrierten Parametern.
Das TNN bettet ein Kernkonstruktionsprinzip ein: Die Temperatur an einem Knoten ändert sich aufgrund einer lokalen Verlustleistung (Wärme erzeugt) und Wärme fließt proportional zur Temperaturdifferenz zwischen den Knoten. Neuronale Netze schätzen die Verlustleistung und Wärmeleitung bei jedem Zeitschritt. Diese Schätzungen werden in die physikbasierte Updategleichung eingespeist, die den Temperaturzustand fortführt. Das Ergebnis ist ein Hybridmodell: Neuronale Netze behandeln die nicht lineare Parameterschätzung, während die Updategleichung ein thermodynamisch konsistentes Verhalten durchsetzt.
Elektromotor DISC-O von Schaeffler mit beispielhaften Messpunkten, an denen PT100-Temperatursensoren im Prototyp verbaut wurden, um Trainingsdaten (links) zu sammeln, und eine beispielhafte Updategleichung mit der geschätzten Verlustleistung P und Wärmeleitung C über neuronale Netze, die in das physikbasierte Temperaturzustandsupdate (rechts) einspeisen. (Bildquelle: Schaeffler)
Schaeffler trainierte das TNN mit 300, aus 12 Temperatursensoren am Prototypen aufgezeichneten Stunden von Fahrzyklusdaten mithilfe der Deep Learning Toolbox und einer individuell erstellten Netzdefinition. Das Training war in ca. 1,5 Stunden abgeschlossen. Das trainierte Modell prognostiziert Temperaturen für alle 12 Sensorstellen mit einer Genauigkeit, die problemlos innerhalb der +/-5 °C-Anforderung liegt. Das TNN übertraf reines LSTM und mehrschichtige Perzeptronansätze an denselben Daten.
Abgesehen von der Genauigkeit bietet das TNN drei praktische Vorteile für die Produktionsbereitstellung:
- Erklärbarkeit: Das Konstruktionsteam kann die erlernte Verlustleistung und Wärmeleitung im Zeitverlauf untersuchen und dabei verifizieren, dass Wärmestrommuster und Erzeugungsquellen der physischen Vorgabe entsprechen.
- Robuste Initialisierung: Selbst wenn es 20 °C von der realen Temperatur abweichend initialisiert wird, erholt sich das Modell innerhalb von ca. 300 Sekunden. Dies ist beim Fahrzeugstart entscheidend, wenn die Anfangsbedingungen unbekannt sind.
- Variable Inferenzrate: Ein mit einer 1-Sekunden-Abtastrate trainiertes Modell wird bei 5-Sekunden- und 10-Sekunden-Intervallen genau ausgeführt, passt sich also ohne Umtrainieren verschiedenen ECU-Scheduling-Randbedingungen an.
Temperaturergebnisse, die die Robustheit des TNN sowohl gegenüber Initialisierungsfehlern (links) ala auch unterschiedlichen Abtastzeiten (rechts) zeigen. (Bildquelle: Schaeffler)
Renault entwickelte einen LSTM-basierten virtuellen Sensor, um Roh-NOx-Emissionen unter verschiedenen Betriebsbedingungen, einschließlich WLTC-, NEDC- und RDE-Fahrzyklen, zu schätzen. Vorhandene Lookup-Tabellenansätze erzielten nur 60-70 % Genauigkeit. Ein physikbasiertes Verbrennungsmodell konnte die Genauigkeit verbessern, war aber zu komplex für die ECU-Echtzeitausführung.
Die endgültige Architektur – eine LSTM-Schicht, drei ReLU-Schichten, drei Fully-Connected-Schichten und eine Regressionsausgabe – nimmt Motordrehmoment, Geschwindigkeit, Kühlmitteltemperatur und Gangzahl als Eingaben. Das Team balancierte die Netztiefe mithilfe der Deep Learning Toolbox iterativ gegen ECU-Speicherrandbedingungen und erhielt am Ende einen Entwurf, der NOx mit 85-90 % Genauigkeit prognostiziert.
Renault generierte mithilfe von MATLAB Coder™ und Simulink Coder™ C Code aus dem trainierten Netz als Konzeptbeweis für eine ECU-Bereitstellung.
„Das LSTM war viel einfacher zu erstellen als ein Verbrennungsmodell. „Wir sind zwar keine Spezialisten für Deep Learning, doch mithilfe von MATLAB und der Deep Learning Toolbox ist es uns gelungen, ein Netz zu erstellen und zu trainieren, das die NOx-Emissionen mit einer Genauigkeit von fast 90% prognostiziert.“
Die wichtigsten Aspekte
- Schätzung von Größen, die nicht direkt aus bereits auf dem Fahrzeugbus befindlichen Signalen messbar sind; Entscheidung für physikinformierte Netze, wo die Physik wohlverstanden ist, oder datenbasierte Architekturen, wo dies nicht der Fall ist, und Abwägung der beiden gegenüber beobachterbasierten Methoden wie Kalman-Filtern und hybriden Ansätzen.
- Validierung des virtuellen Sensors gegen physische Messungen im gesamten Einsatzbereich vor seiner Bereitstellung.
Modellprädiktive Regelung (MPC) und andere komplexe Regelungsmethoden können EV-Regelungsprobleme unterstützen, wo Rand- und Betriebsbedingungen stark variieren und Randbedingungen eine wichtige Rolle spielen. MPC eignet sich gut für die MIMO-Regelung (mehrere Eingaben, mehrere Ausgaben) mit Randbedingungen, einschließlich Batteriewärmemanagement, Koordination von Wärmepumpe und Kühlmittelkreislauf, regeneratives Bremsen und Drehmomentüberlagerung sowie überwachendes Energiemanagement. In KI-fähigen Workflows kann ein erlerntes Prognosemodell in einem MPC-Regler verwendet werden. Andere lernbasierte und adaptive Methoden können in MATLAB und Simulink implementiert werden und eignen sich gut zur Unterstützung konkreter EV-Entwicklungsworkflows.
| Tuning durch Feedback aus virtueller Referenz (VRFT) | Modellbezogene adaptive Regelung (MRAC) | Aktive Regelung zur Störungsunterdrückung (ADRC) | Iterative Lernregelung (ILC) | |
|---|---|---|---|---|
| Definition | Direktes Tuning fester PI- oder PID-Regler aus Ein-/Ausgabedaten | Online-Anpassung, um eine gewünschte Antwort abzugleichen, wenn sich das Regelstreckenverhalten ändert | Regelungsschätzungen und die Fähigkeit, unbekannte Laständerungen zu kompensieren | Lernen aus wiederholten Läufen, um die Tracking-Leistung zu verbessern |
| Vorteil | Schnelles Neukalibrieren aus Messdaten statt Neuerstellung eines Regelstreckenmodells | Beibehaltung der Regelungsleistung in verschiedenen Betriebsbedingungen | Verbesserung der Robustheit, wenn Störungen schwierig zu prognostizieren sind | Verbesserung der Regelungsgenauigkeit in wiederholten Tests oder Betriebsprofilen |
| Anwendungsfälle |
|
|
|
|
Der restliche Abschnitt befasst sich mit dem Reinforcement Learning (RL). RL ist besonders nützlich, wenn Regelungsprobleme so viele gekoppelte Parameter umfassen, dass Konstruktionsteams manuell keine optimale Strategie ableiten können. Energiemanagement in hybriden und batteriebetriebenen elektrischen Antriebssträngen muss den Batterieladezustand, den Energieverbrauch und die Fahrbarkeit in verschiedenen unvorhersehbaren Fahrprofilen im Gleichgewicht halten. Die Kalibrierung der Emissionsnachbehandlung erfordert das Tuning von 20 oder mehr voneinander abhängigen Dosierkarten, um gleichzeitig NOx, Ammoniakschlupf und Reagenzienkosten zu minimieren. Dies sind Optimierungsprobleme mit mehreren Zielsetzungen, wobei die Interaktionen zwischen den Parametern das Ableiten effektiver Regelungsstrategien oder optimaler Kalibrierungen durch manuelle Methoden erschweren.
RL trainiert einen Regelungsagenten, indem er mit einer Simulationsumgebung interagiert, für erwünschtes Verhalten belohnt wird und iterativ seine Strategie verbessert. Handelt es sich bei dieser Umgebung um ein Simulink-Regelstreckenmodell, können RL-Agenten ohne Hardwarerisiko gegen validierte Systemdynamik trainiert werden. Die erlernte Strategie lässt sich dann bei der Desktop-Simulation und Software-in-the-Loop-Tests evaluieren, bevor sie in einem Zielregler bereitgestellt wird. Die Reinforcement Learning Toolbox™ bietet wertbasierte Algorithmen wie Deep Q-Network (DQN), strategiebasierten Methoden wie Proximal Policy Optimization (PPO) und Actor-Critic-Algorithmen wie Deep Deterministic Policy Gradient (DDPG) und Soft Actor-Critic (SAC), mit direkter Integration in Simulink zum Trainieren gegen Regelstreckenmodelle.
Da RL-Agenten gegen ein Modell der Regelstrecke und nicht das physische System trainiert werden, muss die trainierte Strategie robust gegenüber Unterschieden zwischen simulierter und realer Dynamik sein. Techniken wie Domänenrandomisierung, bei der die Regelstreckenparameter in den verschiedenen Trainingsepisoden variieren, können Strategien generieren, die bei Modellierungsunsicherheit und realer Variabilität generalisieren. Nach der Validierung können trainierte Strategien mithilfe von Embedded Coder® als generierter C/C++ Code in Embedded-Zielen bereitgestellt werden.
Yanmar America musste Emissionsstandards laut CARB Tier 5 einhalten, was eine Senkung des NOx um 90% gegenüber früheren Mengen erforderte. Die Kalibrierung des Nachbehandlungssystems Selective Catalytic Reduction (SCR) beinhaltet mehr als 20 voneinander abhängige Karten, die jeweils die NOx-Konversionseffizienz, den Ammoniakschlupf und den Reagenzienverbrauch beeinflussen. Die manuelle Kalibrierung dieses Systems erforderte über 240 Konstruktionsstunden ohne systematische Methode, um festzustellen, ob das Ergebnis optimal war.
Bei der Zusammenarbeit mit den MathWorks Consulting Services trainierte Yanmar einen Deep-Q-network-Agenten gegen ein mit der Katalysator-Simulationssoftware einer Drittpartei gekoppeltes Simulink-Modell. Der Agent lernte, die Harnstoff-Dosierprofile im gesamten Einsatzbereich zu optimieren, indem eine Belohnungsfunktion maximiert wurde, die NOx-Emissionen und Ammoniakschlupf bestraft, während die Reagenziennutzung minimiert wird. Jeder Trainingslauf wurde in ca. 30 Minuten abgeschlossen.
Simulink Scope-Screenshot mit der Menge an NOx-Emissionen, während der Yanmar System-Standardwert (gelbe Linie) simuliert wird, gegenüber dem in diesem Projekt (blaue Linie) entwickelten Deep-RL-Modell. (Bildquelle: Yanmar America)
Der RL-Agent erzielte aus der Baseline-Kalibrierung eine Senkung der NOx um 60%. Außerdem fand er Dosierstrategien, die das Konstruktionsteam nicht durch manuelle Methoden ermittelt hatte. Die Gesamtkalibrierungszeit wurde halbiert, die Gesamtprojektstunden wurden um 30 % verringert und die Kosten lagen 41 % unter denen des manuellen Kalibrierungsvorgangs. Das Projekt wurde in sechs Monaten abgeschlossen.
„Nach der Simulation, die etwa 30 Minuten dauert, lieferte der Agent ein optimales Dosierprofil, das zu einer 60%-igen Verbesserung der NOx-Emissionssenkungen führte.“
Vitesco Technologies (jetzt Teil von Schaeffler) wandte Reinforcement Learning an, um eine Regelungsstrategie für ein Abgasnachbehandlungssystem zu entwickeln. Nach der Erstellung eines detaillierten Simulink-Modells der aus Motor und Abgassystem bestehenden Regelstrecke wurden mithilfe der Reinforcement Learning Toolbox Prototypen für RL-Agenten erstellt und optimiert, die basierend auf dem aktuellen Systemzustand Regelungsentscheidungen in Echtzeit treffen.
„Die Reinforcement Learning Toolbox hat die Entwicklungszeit erheblich verkürzt. Mithilfe der Toolbox konnten wir in kürzester Zeit erste Prototypen erstellen und Agenten für das Reinforcement Learning generieren.“
Die wichtigsten Aspekte
- Entscheidung für komplexe Regelungsmethoden, wenn das Regelungsproblem von Randbedingungen, wiederholten Szenarien oder wechselnden Betriebsbedingungen dominiert wird, und für Reinforcement Learning, wenn es aufgrund gekoppelter Parameter unpraktisch ist, eine optimale Strategie analytisch abzuleiten, wie bei der Emissionskalibrierung oder beim Energiemanagement.
- Training von RL-Agenten gegen ein validiertes Simulink-Regelstreckenmodell, dann Evaluierung der erlernten Strategie in Desktop- und Software-in-the-Loop-Simulation, bevor die Hardware festgelegt wird.
Elektrofahrzeuge generieren große Mengen von Betriebsdaten aus Batterien, Motoren, Wechselrichtern und Wärmesystemen. Jedes dieser Teilsysteme verschlechtert sich im Lauf der Zeit: Batteriezellen verlieren Kapazität oder entwickeln Zustände, die zu Batteriealterung oder thermischem Durchgehen, Abnutzung der Motorlager und thermischen Ermüdung der Leistungselektronik führen. Die Verschlechterungsmuster sind häufig schon lange vor dem Komponentenausfall in den Sensordaten erkennbar. KI-basierte Anomalieerkennung ermittelt Abweichungen vom erwarteten Verhalten, die kein Einzelsensor isoliert anzeigen würde, häufig als multivariate Muster in korrelierten Signalen wie Zellspannung und Stromstärke sowie Temperatur. Die Schätzung der Restnutzungsdauer (RND) prognostiziert, wann eine Wartung nötig ist und ermöglicht so Wartungspläne, die auf Bedingungen statt fester Intervalle basieren.
Diese Fähigkeiten können an verschiedenen Punkten in der Daten-Pipeline bereitgestellt werden. Edge-basierte Modelle werden direkt in den Fahrzeug-Bordcomputern ausgeführt. Sie verarbeiten Sensordaten lokal, um Fehler in Echtzeit zu erkennen. Cloud-basierte Modelle aggregieren Flottendaten zur tieferen Analyse, Trenderkennung und zum Modell-Neutraining. Einige Systeme kombinieren beides: Edge-Modelle kennzeichnen Anomalien und extrahieren Merkmale an Bord, übermitteln sie dann als komprimierte Merkmalsdaten in die Cloud, wo eine Analyse auf Flottenebene und eine Schätzung der Restnutzungsdauer erfolgt. Außerdem können in der Cloud betriebene Modelle sich inkrementell an die Flottenalterung anpassen. Sie aktualisieren die Definition von „normal“, während die Systeme nach und nach über die Laufzeit gesehen altern.
Die meisten Modelle zur Anomalieerkennung werden nur an normalen Betriebsdaten trainiert. Das bedeutet, dass sie erlernen, wie gesundes Verhalten aussieht. So können sie Abweichungen anzeigen, auch wenn sie keine gekennzeichneten Beispiele jedes möglichen Fehlermodus besitzen. Dieser unüberwachte Ansatz umgeht eine anhaltende Schwierigkeit: Fahrzeuge sind darauf ausgelegt, nicht auszufallen. Daher sind reale Fehlerdatensätze klein und unausgewogen. Werden gekennzeichnete Fehlerdaten zur RND-Schätzung oder Fehlerklassifizierung benötigt, können digitale, in Simscape erstellte Zwillinge die Verschlechterungsszenarien und Fehlerbedingungen simulieren. Dabei generieren sie synthetische Trainingsdaten, die die begrenzten realen Beobachtungen anreichern.
Tata Consultancy Services (TCS) entwickelte eine verteilte Machine-Learning-Architektur zur Predictive Maintenance von Fahrzeugen. Dabei wurden KI-Modelle in beiden Edge-Bordcomputern und Cloud-Infrastruktur auf Microsoft Azure bereitgestellt. Das System verarbeitet Daten aus mehreren Antriebsstrang-Teilsystemen: Es erkennt Anomalien, klassifiziert Fehlerarten und extrahiert Diagnosemerkmale von Zeitreihen-Sensordaten.
Mit der Diagnostic Feature Designer-App in der Predictive Maintenance Toolbox™ wurden Merkmale aus rohen Sensorsignalen extrahiert und bewertet. Dann wurden Klassifizierungs- und Regressionsmodelle mithilfe der Statistics and Machine Learning Toolbox trainiert. Am Edge bereitgestellte Modelle führen die anfängliche Anomalieerkennung auf dem Fahrzeug aus und reduzieren so die in die Cloud übertragene Datenmenge. In der Cloud betriebene Modelle behandeln die Aggregation auf Flottenebene und verarbeitungsintensivere Analyse.
MATLAB integriert die gesamte Machine-Learning-Pipeline nahtlos: von Bordcomputern in die Cloud.
Diagramm mit dem TCS-Workflow zur Erstellung von Modell und Algorithmus, von archivierten Daten mithilfe von MATLAB und Simulink bis hin zur Bereitstellung dieser Algorithmen sowohl in Edge-Systemen als auch in der Cloud betriebenen Modellen mithilfe von Docker. (Bildquelle: Tata Consultancy Services)
Diese Architektur senkt die Cloud-Computing-Kosten, da die Daten, wo möglich, lokal verarbeitet werden, während weiterhin die Fähigkeit besteht, eine flottenweite Mustererkennung in der Cloud auszuführen. TCS stellte die Cloud-Komponenten mithilfe von MATLAB Production Server™ auf Azure bereit; die Web-Benutzeroberflächen wurden mit MATLAB Web App Server™ erstellt.
HL Mando entwickelte ein „Smart Lab“-System, das vernetzte Prüfstände und IoT-Überwachung mit KI-basierter Predictive Maintenance für die Testausrüstung autonomer Fahrzeugkomponenten wie Lenk- und Bremssystemen mit Elektronik und Kabeln vereint. Das Sammeln von Nutzungs- und Verschlechterungsdaten aus realen Fahrzeugen würde Jahre dauern. Darum implementierte das Team beschleunigte Lebensdauertests an individuellen hausinternen Prüfständen: Komponenten wurden bei kontrollierten Einschaltdauern in Korrelation mit realer Kilometerleistung geladen und entladen.
Digitale Simscape-Zwillinge der Prüfstandkomponenten unterstützten die Entwicklung von Regelungsalgorithmen und boten einen parallelen virtuellen Datenpfad zu Simulation und Tuning sowie reale Testdaten. Edge-Computer extrahieren Merkmale aus Live-Prüfstanddaten und trainieren KI-Modelle, während eine webbasierte, mit MATLAB Production Server erstellte Plattform Echtzeitbedingungsüberwachung und RND-Schätzungen anzeigt. Das Team wandte KI-basierte Analyse für Ähnlichkeits- und Verschlechterungsmodelle und Zuverlässigkeitsphysikmethoden (Palmgren-Miner-Hypothese) für Überlebenszeitmodelle an, wo Konstruktionswissen über Ermüdungsmechanismen verfügbar war.
Workflow von HL Mando zur Entwicklung KI-basierter RND-Schätzung mithilfe der Predictive Maintenance Toolbox. (Bildquelle: HL Mando)
Die wichtigsten Aspekte
- Ausführung der Anomalieerkennung am Edge zur Fehlererkennung in Echtzeit und in der Cloud zur Analyse auf Flottenebene und Schätzung der Restnutzungsdauer mithilfe der Diagnostic Feature Designer-App, um automatisch Merkmale aus rohen Sensordaten abzurufen.
- Wenn echte Fehlerdaten schwer verfügbar sind, ersetzen Sie diese mit synthetischen Daten aus physikbasierten Simscape-Modellen und skalieren die entstandenen Modelle mit MATLAB Production Server und MATLAB Web App Server für den Produktionsbetrieb.
Ein neuronales Netz zu trainieren, das auf einer Workstation gut funktioniert, garantiert nicht, dass es auf Embedded-Automobilhardware ausgeführt wird oder sich unter allen Betriebsbedingungen richtig verhält. Der Pfad vom trainierten Netz bis zur Bereitstellung in Embedded-Systemen erfordert Komprimierung, Verifikation und Codegenerierung – wobei die Verifikation iterativ in jeder Phase angewendet wird.
Der Workflow zur Bereitstellung in Embedded-Systemen beginnt mit der KI-Modellkomprimierung mithilfe von Techniken wie Quantisierung, Projektion und Pruning, wodurch weniger Speicherplatz benötigt wird und die Inferenzleistung steigt. Darauf folgt die Simulation des komprimierten KI-Algorithmus innerhalb eines Simulink-Systemmodells und Testintegration in umgebende Komponenten vor der Hardwarefestlegung.
Die Codegenerierung erstellt dann optimiertes C/C++ für die Zielhardware. Währenddessen bestätigt die Verifikation, dass Komprimierung und Quantisierung das Modellverhalten nicht über akzeptable Grenzen hinaus verschlechtert haben. Deep Learning Toolbox, Fixed-Point Designer™ und Embedded Coder unterstützen diesen Workflow innerhalb von MATLAB und Simulink.
Viele Automobilteams starten zudem mit Modellen, die in Open-Source-Frameworks wie PyTorch trainiert wurden. Diese Modelle können in MATLAB und die Deep Learning Toolbox zur Komprimierung, Simulink-Integration, Verifikation und Bereitstellung importiert werden. Bei größeren Modellen oder Modellen mit nicht standardmäßigen Schichten, deren Import nicht praktikabel ist, sind Codegenerierungs-Workflows eine andere Möglichkeit von PyTorch-trainierten Modellen zu bereitstellbarem C/C++ Code.
Durch den Einzug von KI-Modellen in sicherheitskritische Automobilsysteme wie Batteriemanagement und Motorregelung muss die Verifikation über die Genauigkeit an Testdaten hinaus erweitert werden. Es gibt keine Garantie, dass sich ein neuronales Netz unter adversariellen Eingaben, Betriebsbedingungen außerhalb der Verteilung oder nicht im Trainingsset dargestellten Randfällen korrekt verhält. Automobilstandards wie ISO/PAS 8800 helfen dem Konstruktionsteam dabei, Sicherheitszusicherungsbehauptungen aufzustellen, die diese Risiken angehen.
Der W-förmige Entwicklungsprozess passt das herkömmliche V-Modell an KI-Komponenten an, indem Verifikationsaktivitäten speziell für das Machine Learning hinzugefügt werden. Aktivitäten wie Robustheitstests gegen gestörte Eingaben, Erkennung von Out-of-Distribution, Verifikation von Netzeigenschaften und Erklärbarkeitsanalyse können verifizieren, dass das Modellverhalten mit der Konstruktionsabsicht übereinstimmt. Dieser Prozess gilt in jeder Phase des KI-Lebenszyklus – vom anfänglichen Modelltraining über Modellkomprimierung und Codegenerierung bis hin zur Bereitstellung.
Die AI Verification Library für die Deep Learning Toolbox unterstützt diesen Workflow mit Funktionen für Folgendes:
- Robustheitsverifikation: Test der KI-Modellempfindlichkeit gegenüber gestörten Eingaben und adversariellen Beispielen. Schätzung der Ausgabegrenzen, um zu bestätigen, dass kleine Eingabeänderungen keine großen, unerwarteten Prognosefehler erzeugen.
- Laufzeitüberwachung: Erstellung von Verteilungsdiskriminatoren, die erkennen, wenn bereitgestellte Modelle auf Eingaben außerhalb ihrer Trainingsverteilung treffen, so dass das System ungewisse Prognosen kennzeichnen oder auf konventionelle Algorithmen zurückgreifen kann.
- Erklärbarkeit: Visualisierung der Eingaben, die Modellprognosen voran bringen, mithilfe von Techniken wie Grad-CAM und D-RISE.
- Deep Learning mit Randbedingungen: Integration domänenspezifischer Randbedingungen in das Netztraining, um physische oder sicherheitsrelevante Grenzen durch Konstruktion durchzusetzen, statt nur auf die Verifikation nach dem Training zu setzen.
Mercedes-Benz Research & Development India (MBRDI) entwickelte einen virtuellen Bordsensor, um den Luftmassenstrom in der Kabine in Echtzeit hinsichtlich Wärmekomfort, Feuchtigkeitsregulierung und Luftqualitätsregelung zu schätzen. Ein früherer cloudbasierter Ansatz führte Latenzzeit, Bandbreitenkosten und Privatsphärebedenken ein. Das KI-Modell sollte direkt in der Fahrzeug-ECU ausgeführt werden.
Das ursprüngliche trainierte Netz war zu groß für die Zielhardware. MBRDI wandte die Projektion eines neuronalen Netzes an – eine Komprimierungstechnik, die redundante Neuronen ermittelt und entfernt, dabei aber die Prognosegenauigkeit des Netzes beibehält. Nach der Komprimierung wandte das Team eine 8-Bit-Quantisierung mithilfe von Fixed-Point Designer an, um die restlichen Gewichtungen und Aktivierungen von 32-Bit-Fließkomma zu 8-Bit-Ganzzahlen zu konvertieren. Embedded Coder generierte dann C/C++ Code aus dem komprimierten, quantisierten Modell, um es auf der ECU bereitzustellen.
Embedded KI-Workflow von Mercedes-Benz mit der Progression vom trainierten neuronalen Netz über die Projektion des neuronalen Netzes (Komprimierung) und die 8-Bit-Quantisierung (Fixed-Point Designer) bis hin zur Generierung von C/C++ Code (Embedded Coder) und Bereitstellung in der ECU. (Bildquelle: Mercedes-Benz Research & Development India)
Die Ergebnisse: Der virtuelle Sensor reduzierte den mittleren absoluten Fehler um 50 % im Vergleich zum vorherigen physikbasierten Modell, während der RAM-Bedarf auf der Ziel-ECU um nur 1 % zunahm. Das Modell wird vollständig an Bord ausgeführt und es ist keine Cloud-Konnektivität erforderlich.
„Mit den Tooling-Lösungen der Deep Learning Toolbox wurde die gesamte Entwicklungszeit deutlich verringert.“
Mercedes-Benz stellte ein tiefes neuronales Netz bereit, um den Druck im Zylinder direkt an einer Antriebsstrang-Produktions-ECU zu schätzen, einem Mikrocontroller, der keine Fließkomma-Operationen oder standardmäßige Deep-Learning-Frameworks unterstützt. Das Team trainierte ein quantisiertes LSTM mithilfe der QKeras-Bibliothek in Python und importierte dann das Netz in MATLAB mithilfe der Deep Learning Toolbox. Fixed-Point Designer hat das Modell von der Fließkomma- zur Festkomma-Darstellung umgewandelt, und das Team verifizierte die Genauigkeit in Simulink vor der Übergabe zur ECU-Integration.
Der automatische Workflow verbesserte die Entwicklungsgeschwindigkeit um 600 % im Vergleich zur vorherigen manuellen Festkomma-Umwandlung, was einen mehrwöchigen Aufwand erforderte und anfällig für Transkriptionsfehler war. Die Pipeline wurde an zwei unterschiedliche Antriebsstrang-Regler angepasst und auf zusätzliche neuronale Netzarchitekturen erweitert, einschließlich GRUs und Fully Connected Networks.
„Mit der Deep Learning Toolbox und dem Fixed-Point Designer verbesserten wir die Entwicklungsgeschwindigkeit um ca. das Sechsfache im Vergleich zu unserem vorherigen manuellen Entwicklungsprozess.“
Die wichtigsten Aspekte
- Vorbereitung trainierter KI-Modelle auf die Bereitstellung in Embedded-Systemen, indem Netze aus MATLAB oder externen Frameworks (Python, QKeras, TensorFlow™) importiert, mit Projektion oder Pruning komprimiert und zu 8-Bit- oder Festkomma-Darstellungen quantisiert werden, um den Speicherbedarf und die Ausführungsdauer zu reduzieren.
- Validierung von Modellen durch den Vergleich von komprimierten und quantisierten Modellen gegen das Original in Simulink, die Beurteilung des Verhaltens unter adversariellen und Bedingungen außerhalb der Verteilung sowie die Anwendung von Laufzeitüberwachung, bevor C/C++ Produktionscode mithilfe von Embedded Coder generiert wird.
Die in diesem Whitepaper beschriebenen Techniken – Modelle reduzierter Ordnung, Systemidentifikation, virtuelle Sensoren, Reinforcement Learning und Anomalieerkennung – werden von der Modellierung der Regelstrecke bis hin zu Reglerentwurf und -bereitstellung in Model-Based Design integriert. Konstruktionsteams können KI-Modelle direkt in MATLAB und Simulink trainieren oder in TensorFlow, PyTorch und anderen Open-Source-Frameworks trainierte Netze importieren. Unabhängig von der Modellherkunft bieten MATLAB und Simulink einen einheitlichen Workflow zur Modellkomprimierung, Verifikation und Codegenerierung in Produktions-ECUs.
Die Fallstudien in diesem Whitepaper zeigen, dass KI zur Entwicklung von Elektrofahrzeugen bereits heute in Produktionsprogrammen enthalten ist. Konstruktionsteams haben eine 800-fache Simulationsbeschleunigung, um 600% schnellere Bereitstellungs-Workflows und Regelungsstrategien erreicht, die die manuelle Kalibrierung übertreffen. Diese Ergebnisse sind innerhalb vorhandener Workflows für Konstruktionsteams zugänglich, die mit Model-Based Design arbeiten, und es gibt einen klaren Weg vom trainierten Modell zum verifizierten, bereitgestellten Code.
