Hybride KI-Methoden für das Testen von elektrischen und elektronischen Systemen

Ist zu wenig Benzin im Tank oder der Sicherheitsgurt nicht angelegt, leuchten Warnlampen im Fahrzeug auf. Diese Informationssysteme basieren auf komplexen Verfahren, für die reale Sensor- und Aktordaten interpretiert werden. Für das Validieren elektrischer und elektronischer Komponenten in der Automobilindustrie werden Daten aus Testfahrten genutzt. Diese lassen Rückschlüsse auf Zustand und Verhalten des Systems zu. Die Auswertung der Kommunikationsdaten ist sehr aufwendig. Ziel des Projekts ist es daher, die Abläufe zu automatisieren: Verfahren der Anomaliedetektion sollen Testingenieure zukünftig unterstützen. Das erfordert die geeignete Abbildung von Expertenwissen sowie Erfahrungswissen und ihre Kombination mit automatisierten Verfahren zur Fehlerdetektion.

Die K4A Systems GmbH ist Anbieter wissensbasierter Systeme für die Automatisierung interner Unternehmensprozesse. Kerntechnologie sind Verfahren Künstlicher Intelligenz (KI), sogenannte Ontologien, die eine formale Beschreibung von Wissen gestatten. Diese dienen als technologische Basis des Gesamtsystems, das sowohl aus Daten als auch aus Expertenwissen lernt und so bei der Fehlererkennung assistieren kann. Hierfür entwickelte das Fraunhofer IEM gemeinsam mit K4A Methoden zur Anomaliedetektion sowie zur Wissensextraktion weiter und kombinierte diese mit einem Ontologie-System.

Das Ergebnis ist ein Assistenzsystem, mit dem das Testen elektrischer und elektronischer Systeme automatisiert werden kann. Die Anwendung ist einfach konfigurierbar, erlernt Erfahrungswissen und statistisches Wissen selbstständig und zeigt Fehler auf, die bislang unerkannt blieben. Auf diese Weise lassen sich nicht nur Entwicklungs- und Testprozesse effi zienter umsetzen und Rückrufaktionen vermeiden. Auch die Mitarbeiter werden durch den Einsatz der KI-Technologien entlastet.