Selbstvalidierung komplexer elektronischer Systeme in sicherheitskritischen Mobilitätsanwendungen auf Basis von Greybox-Modellen (SesiM)

Abstract

Im Projekt SesiM wurde eine KI-gestützte Methode zur Zustandsbestimmung komplexer elektronischer Systeme realisiert. Hierfür wurden mehrstufige Testvehikel für Bahn- und Automotive-Anwendungen entworfen, aufgebaut und in beschleunigten Belastungstest geprüft. Ziel war die Ableitung digitaler Fingerabdrücke für jedes einzelne System aus Fertigungs-/Inspektionsdaten und Systemparametern. Zur Erfassung bislang nicht verfügbarer Geometrie-Parameter in der Fertigung wurden optische Inspektionsverfahren weiterentwickelt. Fertigungs- und Inspektionsdaten wurden anschließend mit degradationsbedingten Ausfällen korreliert. Es wurde der Einfluss verschiedener Belastungen auf elektrische Kenngrößen experimentell und mithilfe analytischer Modelle untersucht. Ein weiterer Schwerpunkt lag auf der Entwicklung einer angepassten Software- und Kommunikationsarchitektur, die eine effiziente Verarbeitung der umfangreichen Datenmengen gewährleistet. Die Untersuchungen wurden in einem Workflow zusammengeführt und bilden die Grundlage für einen Diagnoseansatz auf Systemebene. In dem entwickelten Workflow sind physics-of-failure und datenbasierte Methoden angewendet und zu hybriden Modellierungsansätzen kombiniert worden. Zur Demonstration und Bewertung der Umsetzbarkeit wurden die entwickelten Lösungen in einen repräsentativen Demonstrator, basierend auf den Bahn- und Automotive-Applikationen, überführt.

In SesiM, a methodology for AI-based condition monitoring of complex electronic systems was developed. Test vehicles based on railway and automotive applications were designed, built, and subjected to accelerated stress tests to derive a digital fingerprint for each individual system based on manufacturing/inspection data and system parameters. Optical inspection techniques were further refined to capture previously unavailable geometric parameters during production. Manufacturing and inspection data were then correlated with life-time test results. The influence of various load profiles on electrical characteristics was examined experimentally and with analytical models. Another key focus was the development of customized software and communication architecture to enable efficient processing of the extensive data volumes. All investigation results were consolidated into a single workflow that now forms the foundation for a system-level diagnostic approach. This workflow combines physics-of-failure methods with data-driven techniques to create hybrid modelling approaches. To demonstrate and evaluate feasibility, the developed solutions were integrated into an representative demonstrator based on the railway and automotive applications.