Retrospektive Diagnose von Fehlerursachen an Antriebsstrangprüfständen mithilfe künstlicher Intelligenz
- 2024
- Buch
- Verfasst von
- Andreas Krätschmer
- Verlag
- Springer Fachmedien Wiesbaden
Über dieses Buch
Antriebsstrangprüfstände leisten einen signifikanten Beitrag im Fahrzeugentwicklungsprozess. Um diesen Vorteil weiter auszubauen, ist es notwendig, mit geeigneten Maßnahmen die Effektivität und Effizienz stetig zu steigern. Eine Maßnahme ist hierbei, die Abhängigkeit des Faktors Mensch bei Auftreten eines Fehlers am Prüfstand zu reduzieren. Um diesem Ziel einen großen Schritt näher zu kommen, wurde vorliegend eine KI-basierte Methodik entwickelt, mit deren Hilfe es möglich ist, die fehlerverursachende Komponente und den zugehörigen Fehlerzeitpunkt trotz der Wechselwirkung aufgrund der mechanischen Kopplung des Systems zu detektieren.
Anzeige
Inhaltsverzeichnis
-
Frontmatter
-
Kapitel 1. Einleitung
Andreas KrätschmerDer Fachbeitrag untersucht die zentralen Herausforderungen in der modernen Fahrzeugentwicklung, darunter die steigende Komplexität, zunehmende Variantenvielfalt und die Notwendigkeit, gesetzliche und umweltbezogene Anforderungen zu erfüllen. Ein Schwerpunkt liegt auf der Effizienzsteigerung und Produktivität von Antriebsstrangprüfständen. Hierbei wird eine Methode basierend auf Künstlicher Intelligenz entwickelt, die eine automatisierte retrospektive Diagnose von Fehlerursachen ermöglicht. Diese Methode zielt darauf ab, die manuelle Messdatenanalyse zu ersetzen und so Zeit und Kosten zu sparen. Die Arbeit umfasst die Planung und Erhebung eines repräsentativen Datensatzes, die Transformation der Messdaten in eine KI-interpretierbare Form sowie die Entwicklung und Optimierung der KI-Modelle. Die Validierung der Methodik erfolgt anhand von Performance-Metriken. Diese innovativen Ansätze versprechen erhebliche Verbesserungen in der Fehlerdiagnose und tragen zur Optimierung des gesamten Fahrzeugentwicklungsprozesses bei.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
ZusammenfassungDer Faktor Mobilität spielt in unserer modernen Gesellschaft eine bedeutende und tragende Rolle. Hierbei sind nicht nur die öffentlichen Verkehrsmittel bedeutend, sondern insbesondere auch der Individualverkehr. Trotz einer Steigerung von Nutzungsanteilen in öffentlichen Verkehrsmitteln und dem Fahrrad, werden 57% aller Wege und 75% der Personenkilometer in Deutschland mit dem Personenkraftwagen (PKW) zurückgelegt [87]. -
Kapitel 2. Stand der Technik
Andreas KrätschmerDas Kapitel bietet eine umfassende Einführung in den aktuellen Stand der Technik in der modernen Fahrzeugentwicklung. Es wird der Produktentstehungsprozess im V-Modell erläutert und die Bedeutung von Antriebsstrangprüfständen in der heutigen Entwicklungsumgebung hervorgehoben. Besonderes Augenmerk liegt auf der Ermittlung repräsentativer Lastkollektive und der detaillierten Beschreibung der Eigenschaften und Konfigurationen von Antriebsstrangprüfständen. Zudem werden Methoden zur signal- und modellbasierten Fehlererkennung vorgestellt und die Anwendung von KI zur Anomalieerkennung diskutiert. Der Text bietet tiefgehende Einblicke in die Herausforderungen und Lösungsansätze in der modernen Fahrzeugentwicklung und ist daher von großem Interesse für Fachleute in diesem Bereich.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
ZusammenfassungIn diesem Abschnitt werden die relevanten Grundlagen zum Verständnis dieser Arbeit dargestellt. Zusätzlich wird ein aktueller Stand der Technik in Bezug zu den im Rahmen dieser Arbeit verwendeten Fragestellungen und Methoden präsentiert. Zunächst erfolgt in Kapitel 2.1 eine kurze Einführung in das Themengebiet der modernen Fahrzeugentwicklung und der zukünftigen Herausforderungen.k -
Kapitel 3. Datenerhebung und –vorverarbeitung
Andreas KrätschmerDas Kapitel 'Datenerhebung und -vorverarbeitung' befasst sich mit der Erhebung und Vorbereitung von Messdaten an einem Antriebsstrangprüfstand. Es wird beschrieben, wie ein repräsentativer Forschungsdatensatz erhoben wird, der sowohl normale als auch fehlerhafte Betriebszyklen umfasst. Die Daten werden anschließend durch Filterung und Normierung aufbereitet, um sie für die Analyse durch KI-Modelle geeignet zu machen. Besondere Aufmerksamkeit wird der Synchronisation der Daten geschenkt, um zeitliche Offsets zwischen den Messungen zu korrigieren. Dies ist entscheidend für die präzise Fehlerdiagnose und die Effizienz der KI-Modelle. Schließlich werden relevante Zeitbereiche extrahiert, um die Trainingszeit der Modelle zu reduzieren und die Modellgüte zu erhöhen. Diese systematische Herangehensweise zur Datenvorbereitung ist ein zentraler Bestandteil der Fehlerdiagnose und -auswertung am Prüfstand.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
ZusammenfassungWährend einer Erprobung am ASP wird eine Vielzahl an Messdaten aufgezeichnet. Sie enthalten neben den für die Erprobung relevanten Daten zusätzliche Informationen zu den aufgetretenen Fehlern am Prüfstand. Das Ergebnis der Fehlerdiagnose hängt somit maßgeblich von der Qualität und Beschaffenheit der Messdaten am ASP ab und sie bilden folglich die Grundlage zur Fehlerauswertung dieser Arbeit. -
Kapitel 4. Modellierung und Auswertung durch künstliche Intelligenz
Andreas KrätschmerDer Beitrag beschäftigt sich mit der Modellierung und Auswertung von KI-Modellen zur Fehlerdetektion basierend auf Messdaten eines Antriebsstrangprüfstands. Zunächst werden die Ziele und Abgrenzungen der Untersuchung definiert und drei verschiedene Autoencoder-Architekturen (Stacked Autoencoder, LSTM-AE und GRU-AE) entwickelt. Diese Architekturen werden anhand des Standes der Forschung und Literaturrecherchen konzipiert und ihre Eignung zur Fehlerdetektion evaluiert. Ein zentraler Aspekt ist die Anpassung der Modellparameter an die spezifischen Aufgabenstellungen und die Methodik des Hyperparametertunings. Abschließend wird die Detektion von Fehlerzeitpunkten beschrieben, wobei verschiedene Methoden zur Identifikation der fehlerverursachenden Komponenten vorgestellt werden. Die Ergebnisse zeigen, dass die entwickelten Modelle eine hohe Genauigkeit und Effizienz in der Fehlererkennung aufweisen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
ZusammenfassungEinen weiteren Schwerpunkt dieser Arbeit stellt die Entwicklung von KI-Modellen zur Fehlerdetektion basierend auf Messdaten des ASP dar. Zunächst findet dabei in Kapitel 4.1 eine Definition und Abgrenzung der Ziele dieses Abschnitts statt. Basierend auf dem Stand der Forschung und Literaturrecherchen werden hier drei AE-Architekturen mit unterschiedlichen Zellstrukturen entwickelt und untersucht. -
Kapitel 5. Anwendung und praktischer Nachweis
Andreas KrätschmerDas Kapitel behandelt die Validierung von Methoden zur Diagnose von Fehlerursachen an Antriebsstrangprüfständen. Es beschreibt die Versuchsdurchführung, bei der 150 Normal-Zyklus und 45 Fehler-Zyklus-Messungen verwendet werden, um die Fehlerdetektionsrate zu validieren. Die Ergebnisse werden anhand von Performance-Metriken ausgewertet, wobei verschiedene KI-Modelle wie LSTM und GRU zum Einsatz kommen. Die Auswertung zeigt, dass die entwickelten Methoden eine hohe Accuracy und einen hohen F1-Score erreichen, was ihre Effektivität in der Fehlerdiagnose unterstreicht. Ein besonderes Augenmerk liegt auf der Integration dieser Methoden in bestehende Antriebsstrangprüfstände, wofür ein Ablaufdiagramm präsentiert wird.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
ZusammenfassungAbschließend werden die entwickelten Methoden mit dem erhobenen Forschungsdatensatz zur Diagnose von Fehlerursachen validiert. Zunächst werden im folgenden Kapitel die Versuchsdurchführung beschrieben und anschließend die Ergebnisse in Form der Fehlerdetektionsrate mit den bekannten Performance-Metriken ausgewertet. Abschließend werden die ermittelten Ergebnisse in Form eines Fazits zusammengefasst und diskutiert. -
Kapitel 6. Zusammenfassung und Ausblick
Andreas KrätschmerDer Fachbeitrag beschäftigt sich mit der Entwicklung einer KI-basierten Methodik zur retrospektiven Diagnose von Fehlerursachen am Antriebsstrangprüfstand. Hierzu wird ein repräsentativer Forschungsdatensatz erstellt, der 150 Normal-Zyklus- und 45 Fehler-Zyklus-Messungen umfasst. Die Analyse erfolgt durch den Einsatz von Autoencoder-Architekturen wie S-AE, LSTM-AE und GRU-AE, die zur Detektion von Anomalien in den Zeitreihendaten optimiert werden. Die Datenvorverarbeitung umfasst die Filterung und Normierung der Messdaten sowie deren Synchronisierung mittels Kreuzkorrelationsfunktion und euklidischer Distanz. Die Extraktion relevanter Zeitbereiche verbessert die Effektivität der ML-Modelle, die anschließend durch Hyperparametertuning optimiert werden. Die Evaluation der Methoden zeigt eine hohe Accuracy von etwa 84 %, wobei die Architekturen LSTM und GRU die besten Ergebnisse erzielen. Die Methode ermöglicht eine effiziente Fehlerdiagnose und könnte zukünftig die manuelle Fehlersuche in 5 von 6 Fällen ersetzen, was eine erhebliche Zeitersparnis und Produktivitätssteigerung mit sich bringt.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
ZusammenfassungDie zentrale Fragestellung im Rahmen dieser Arbeit liegt auf der Entwicklung einer KI-basierten Methodik zur retrospektiven Diagnose von Fehlerursachen am Antriebsstrangprüfstand. Abgeleitet von diesem Sachverhalt ergeben sich mehrere Teilaspekte und -ziele. -
Backmatter
- Titel
- Retrospektive Diagnose von Fehlerursachen an Antriebsstrangprüfständen mithilfe künstlicher Intelligenz
- Verfasst von
-
Andreas Krätschmer
- Copyright-Jahr
- 2024
- Electronic ISBN
- 978-3-658-44004-6
- Print ISBN
- 978-3-658-44003-9
- DOI
- https://doi.org/10.1007/978-3-658-44004-6
Informationen zur Barrierefreiheit für dieses Buch folgen in Kürze. Wir arbeiten daran, sie so schnell wie möglich verfügbar zu machen. Vielen Dank für Ihre Geduld.
