KI-Agent fĂŒr die Applikation neuer Fahrzeugfunktionen

KI-Agent fĂŒr die Applikation neuer Fahrzeugfunktionen

Bei der Applikation neuer Fahrzeugfunktionen mĂŒssen die Ingenieure einen immer grĂ¶ĂŸeren Aufwand betreiben.

Bei der Applikation neuer Fahrzeugfunktionen mĂŒssen die Ingenieure einen immer grĂ¶ĂŸeren Aufwand betreiben, denn mit dem zunehmenden Funktionsumfang und der wachsenden Systemvernetzung moderner Fahrzeuge steigt auch die Anzahl der fĂŒr die Applikation notwendigen Tests und der relevanten Parameter signifikant an. Um die höhere KomplexitĂ€t auch kĂŒnftig noch beherrschen zu können und zudem die Entwicklungseffizienz zu erhöhen, setzt Porsche Engineering KĂŒnstliche Intelligenz (KI) zur Kalibrierung und Bedatung der SteuergerĂ€te ein. „Mit dem Porsche Engineering Reinforcement Learning, kurz PERL, machen wir die Applikation von Fahrfunktionen zu einem smarten Entscheidungsprozess“, so Matteo Skull, Fachprojektleiter bei Porsche Engineering.

PERL basiert auf dem sogenannten Deep Reinforcement Learning, einem selbstlernenden KI-Verfahren. Die Grundidee: Statt einzelne Parameter zu optimieren, erarbeitet sich die KI eine Strategie, die zu einem bestmöglichen Applikationsergebnis fĂŒr eine ganze Funktion fĂŒhrt. Vorteile sind die hohe Prozesseffizienz der Methodik, da sie selbstlernend ist, und die universelle Anwendbarkeit auf viele Entwicklungsbereiche des Fahrzeugs. „Porsche Engineering hat schon frĂŒh das Potenzial von Deep Reinforcement Learning fĂŒr die automatisierte Applikation von SteuergerĂ€ten erkannt. Seit 2017 arbeiten wir zusammen mit KI-Experten der Porsche-Engineering-Standorte im rumĂ€nischen Cluj und in Timisoara an PERL und haben die Methodik seither stĂ€ndig weiterentwickelt“, so Dr. Matthias Bach, Leiter HV-Batterie Applikation und Diagnose bei Porsche Engineering.

 

Inzwischen wurden mehr als 50 Patente fĂŒr PERL angemeldet. Dank dieser Kompetenz ist Porsche Engineering eines der ersten Unternehmen weltweit, das eine Methodik fĂŒr die KI-gestĂŒtzte Applikation validiert und in den Entwicklungsprozess fĂŒr neue Fahrzeugsysteme integriert hat. Zwischenzeitlich wurde PERL schon in zwei Kundenprojekten fĂŒr die Applikation eingesetzt. Einerseits betreibt Porsche Engineering seit rund drei Jahren in Zusammenarbeit mit dem FZI Forschungszentrum Informatik in Karlsruhe und mit Porsche eine Forschungskooperation, in deren Rahmen PERL fĂŒr die Abstimmung der Gemischaufbereitung eines neuen Ottomotors fĂŒr Hybridfahrzeuge genutzt wird. Andererseits kommt PERL bei der Applikation der SchwingungsdĂ€mpfung im Antriebsstrang eines E-Fahrzeugs von Porsche zum Einsatz.

Applikation von Reglern

In beiden FĂ€llen wird die KI fĂŒr die Applikation von Reglern genutzt, was eine besondere Herausforderung darstellt. Thomas Rudolf, Doktorand bei Porsche Engineering und am FZI, erklĂ€rt: „Die Applikation von Regelungsfunktionen ist sehr anspruchsvoll, da wir hochdynamische VorgĂ€nge prĂ€zise kontrollieren mĂŒssen. Bei der Gemischaufbereitung eines Motors beispielsweise muss fĂŒr jede Drehzahl und Drehmomentkombination mittels Parameterkennfeldern die Einspritzmenge richtig abgestimmt werden, damit der Lambda-Wert als RegelungsgrĂ¶ĂŸe fĂŒr den optimalen Betrieb der Abgasnachbehandlung dem Soll entspricht.“

Die Herausforderung resultiert dabei vor allem aus der Totzeit, die sich aus der rĂ€umlichen Entfernung zwischen Motor und Sensorik am Ende des Abgasstrangs ergibt, gepaart mit der hohen Schnelligkeit, mit der das Regelungssystem etwa bei einem Lastwechsel arbeiten muss. Wenn die Regelung zu langsam reagiert, schrĂ€nkt das die Funktion der Abgasreinigung ein, und die Emissionen steigen. Wenn zu aggressiv geregelt wird, kann sich das System unter UmstĂ€nden aufschaukeln. Entscheidend ist darum, einen Mittelweg zwischen beiden Extremen zu finden. „Die maßgeschneiderte Parametrierung von komplexen und variantenreichen regelungstechnischen Systemen im Automobil stellt nach wie vor eine große Herausforderung dar. Moderne Lernverfahren können die umfangreiche, kostenintensive und teilweise hĂ€ndische Applikation signifikant beschleunigen und effizienter machen“, fasst Prof. Dr.-Ing. Sören Hohmann, Leiter am Institut fĂŒr Regelungs- und Steuerungssysteme am Karlsruher Institut fĂŒr Technologie (KIT) und Direktor am FZI, die Vorteile der KI-Nutzung zusammen.

„Moderne Lernverfahren können die umfangreiche, kostenintensive und teilweise hĂ€ndische Applikation signifikant beschleunigen und effizienter machen.“
Prof. Dr.-Ing. Sören Hohmann Leiter am Institut fĂŒr Regelungs- und Steuerungssysteme am KIT und Direktor am FZI

PERL ist in der Lage, die Vielzahl der Regelungsparameter auch fĂŒr einen hochdynamischen Motorbetrieb so abzustimmen, dass das optimale Gemisch eingestellt wird. „Insbesondere fĂŒr kĂŒnftige, strengere Emissionsnormen, die eine noch genauere Lambda-Regelung in allen Betriebsbereichen erforderlich machen, ist PERL damit ein unverzichtbares Entwicklungswerkzeug“, so Bach. Seine EinschĂ€tzung teilt auch Dr. Galabina Aleksieva-Rausch, die bei Porsche für die Prozesse, QualitĂ€t und Methodenentwicklung verantwortlich ist: „Wir haben PERL im Rahmen einer Potenzialstudie parallel zur konventionellen Applikation eingesetzt, um eine Vergleichbarkeit der Ergebnisse zu gewĂ€hrleisten. Das Resultat war viel besser als erwartet: Die Kalibrierung mit dem KI-Ansatz war ohne Feinanpassung bereits beinahe so gut wie die der Serienapplikation.“

Die Reife der im Rechner mittels KI generierten Applikationsdaten ist stark von der jeweiligen Aufgabenstellung abhĂ€ngig, liegt in der Regel jedoch bei 80 bis 90 Prozent. Der Feinschliff und die Validierung der Rohkalibrierung erfolgen dann durch Prüfstandsversuche und Testfahrten, die aufgrund der Anforderungen an die QualitĂ€tskontrolle und Absicherung auch künftig fester Bestandteil der Applikation bleiben müssen. Auch hierbei unterstützt PERL die Applikateurin bzw. den Applikateur, denn das Programm kann bei Tests im Hintergrund mitlaufen und nutzt die dabei gewonnenen Daten, um VorschlĂ€ge für die weitere Optimierung der Applikation zu machen.

Derzeit lĂ€sst sich der Effizienzgewinn von PERL bei einer Nutzung für die Serienentwicklung noch nicht beziffern. Fest steht allerdings schon jetzt, dass KI-gestützte Applikationsmethoden wie PERL den Gesamtentwicklungsprozess signifikant beschleunigen können: „Dank PERL können wir die Applikation erheblich früher durchführen und erhalten schneller valide Ergebnisse, mit denen wir die folgenden Entwicklungsschritte sehr viel zielgerichteter und damit effizienter angehen können“, so Stefano Chini aus dem Team von Aleksieva-Rausch.

Der zweite Anwendungsfall von PERL ist die SchwingungsdĂ€mpfung im Antriebsstrang eines E-Fahrzeugs. Hier versuchen die Ingenieurinnen und Ingenieure, eine störende Schwingung im Antriebsstrang durch eine gezielt eingekoppelte Gegenmaßnahme abzuschwĂ€chen – das gleiche Prinzip ist beispielsweise bei Kopfhörern als „Noise-Cancelling“ bekannt. Dabei geht es vor allem um Anregungen im Bereich von 1 bis 15 Hertz, die von den Insassen im Fahrzeug oft als Vibrationen wahrgenommen werden und schlimmstenfalls sogar SchĂ€den am Antriebsstrang verursachen können. Wie bei der Gemischbildung im Motor ist auch hier eine optimale Regelung entscheidend fĂŒr die Systemfunktion, denn fĂŒr eine wirksame DĂ€mpfung muss der Elektromotor des Fahrzeugs zum richtigen Zeitpunkt und in der passenden Taktung angesteuert werden. Zudem darf die Gegenschwingung nicht zu stark ausgelegt sein, denn das zur Erzeugung der Gegenimpulse erforderliche Motormoment fehlt fĂŒr den Vortrieb. Dadurch sind bei diesem Konzept Komfort und Fahrdynamik in direkter Wechselwirkung.

Optimale Balance finden

Die Applikateure mĂŒssen bei der Auslegung der SchwingungsdĂ€mpfung daher eine optimale Balance zwischen Komfort und Sportlichkeit finden. Um das bestmögliche und Porsche-typische Ergebnis zu erzielen, werden fĂŒr die SchwingungsdĂ€mpfung drei Kennfelder pro elektrisch angetriebener Achse gleichzeitig bedatet. Wegen der hohen KomplexitĂ€t ist eine robuste Erstbedatung der SteuergerĂ€te bei der manuellen Applikation mit hohem Aufwand verbunden. Erst danach können die Applikateure mit der Kalibrierungsfeinarbeit starten. „Ein Hauptziel von PERL war die VerkĂŒrzung dieses Zeitraums. Auch stand von Anfang an eine universelle Anwendungsmöglichkeit der KI fĂŒr ganz unterschiedliche Fahrzeugplattformen und Derivate im Fokus“, sagt Maurice Hauß, Software-Ingenieur bei Porsche.

 

Dr. Matthias Bach, Leiter HV-Batterie Applikation und Diagnose bei Porsche Engineering, 2024, Porsche AG
Dr. Matthias Bach, Leiter HV-Batterie Applikation und Diagnose bei Porsche Engineering

Um PERL einsetzen zu können, hat das Entwicklerteam von Porsche Engineering und Porsche zunĂ€chst aus einzelnen PrĂŒfstandsdaten ein Modell der Fahrwerkphysik real auftretender Schwingungsprofile erstellt, das mittels neuronaler Netze erweitert wurde. „Das Hardwaremodell simuliert die Physik, und das kĂŒnstliche neuronale Netz ĂŒberbrĂŒckt die GenauigkeitslĂŒcke zwischen der realen Welt und der Simulation“, erklĂ€rt Skull. Im Anschluss kam die PERL-Kernmethodik zum Einsatz. Der KI-Agent wurde anhand eines großen Datensatzes und zufĂ€llig initialisierter Kennfelder am hybriden Modell trainiert, sodass eine gute Generalisierung der Strategie gewĂ€hrleistet ist.

Nach Ende des aufwendigen Trainings dauerte es im Zieleinsatz nur wenige Sekunden, bis die fahrzeugspezifische Applikationsanpassung beendet war. Zudem ließ sich die Strategie der KI vom ursprĂŒnglichen Fahrzeug ohne Änderungen und teilweise ohne fahrzeugspezifische Messungen auf weitere Derivate, auch mit anderen AntriebsstrĂ€ngen, ĂŒbertragen. Die mit dem Einsatz von PERL verknĂŒpften Erwartungen wurden damit weit ĂŒbertroffen. „Bei neuen Varianten können wir dank PERL mit vorberechneten Daten in die Applikation starten, andere Nutzer von Testfahrzeugen können in dieser Zeit parallel an der Fahrzeugapplikation arbeiten und mĂŒssten nicht auf uns warten“, erklĂ€rt Tobias Roulet, Leiter Applikation E-Fahrzeuge bei Porsche. „In Summe können wir so ein bis zwei Wochen Applikationszeit einsparen. Zudem liefert PERL eine valide Vorbedatung, bei der ersten Inbetriebnahme des Antriebsstrangs besteht somit keine Gefahr von SchĂ€den durch fehlerhafte Applikationsdaten.“

„PERL hat bewiesen, dass der Ansatz universell fĂŒr alle Bedatungen anwendbar ist und dass KI den Aufwand und den Zeitbedarf in der Applikation deutlich reduzieren kann.“
Dr. Matthias Bach, Leiter HV-Batterie Applikation und Diagnose bei Porsche Engineering

Das Kundenfazit fĂ€llt nach dem erfolgreichen Abschluss beider Kundenprojekte durchweg positiv aus. „PERL hat bewiesen, dass der Ansatz universell fĂŒr alle Bedatungen anwendbar ist und dass KI den Aufwand und den Zeitbedarf in der Applikation deutlich reduzieren kann. Damit zahlt die neu entwickelte PERL-Methodik auf ein strategisches Ziel von Porsche Engineering ein: die Sicherstellung einer kurzen Lieferzeit von qualitativ hochwertigen Lösungen bei komplexen Aufgabenstellungen – zum Nutzen unserer Kunden“, so Bach. Eine Erweiterung der PERL-Nutzung bei Porsche ist schon in Planung. So soll das Programm beispielsweise fĂŒr die Optimierung der Applikation der Nockenwellenlagerregelung eingesetzt werden.

Applikation der SchwingungsdÀmpfung

Neuronales Netz verbessert Simulations-Genauigkeit

FĂŒr eine wirksame SchwingungsdĂ€mpfung muss der Elektromotor des E-Fahrzeugs zum richtigen Zeitpunkt und in der passenden Taktung angesteuert werden. Zudem darf die Gegenschwingung nicht zu stark ausgelegt sein, denn das zur Erzeugung der Gegenimpulse erforderliche Motormoment fehlt fĂŒr den Vortrieb. Um PERL einsetzen zu können, haben die Entwickler zunĂ€chst aus PrĂŒfstandsdaten ein Modell der Fahrwerkphysik real auftretender Schwingungsprofile erstellt. Es wurde dann mithilfe neuronaler Netze erweitert. Das Hardwaremodell simuliert die Physik, und das kĂŒnstliche neuronale Netz ĂŒberbrĂŒckt die GenauigkeitslĂŒcke zwischen der realen Welt und der Simulation.

Image Alt Text

 

PERL Policy Training

Cloud Computing beschleunigt die Berechnungen

Der Agent wurde anhand eines großen Datensatzes und zufĂ€llig initialisierter Kennfelder trainiert, um eine gute Generalisierung der Strategie zu gewĂ€hrleisten. 64 CPU-Kerne in der Cloud haben die Simulationen parallel verarbeitet, was im Vergleich zu einer lokalen Maschine zu einer deutlichen Beschleunigung der Berechnungen gefĂŒhrt hat. Die Strategie wurde mit einem Grafikprozessor in der Cloud optimiert.

Image Alt Text

 

Zusammengefasst

Porsche Engineering nutzt Reinforcement Learning (RL) fĂŒr die Applikation von Fahrfunktionen. Der neue Ansatz fĂŒhrt dazu, dass ein Großteil der Bedatung von der KI ĂŒbernommen wird, erst am Ende gibt es den manuellen Feinschliff auf der Teststrecke. Zudem kann ein trainierter RL-Agent die Applikation mehrerer Fahrzeugderivate ĂŒbernehmen. So verkĂŒrzt RL als Methode den Zeit- und Kostenaufwand in der Applikation erheblich.

 

ĂŒbermittelt durch Porsche

 

Das könnte Sie auch interessieren: