Selbstvalidierung komplexer elektronischer Systeme in sicherheitskritischen Mobilitätsanwendungen auf Basis von Greybox-Modellen (SesiM); Teilvorhaben des Projektpartners: KI-gestützte Bildverarbeitung und verteilte Softwarearchitektur

Abstract

Die Anforderungen an Elektronik in sicherheitskritischen Anwendungen bezüglich Funktionssicherheit und Verfügbarkeit sind sehr hoch. Insbesondere die Bereiche der Mobilität bieten weitreichende Gefahrenpotentiale bei Fehlfunktion, Manipulation oder Ausfall. Typische Anwendungsbereiche sind Überwachungssysteme für die Zugbeeinflussung und Steuergeräte elektrifizierter Automobile mit autonomen Fahrfunktionen. Die Sicherstellung derer funktionalen Integrität erfolgt derzeit zumeist durch möglichst robust und redundant ausgelegte Systemelemente. Dieses Konzept setzt jedoch eine Kenntnis der relevanten, kritischen Komponenten voraus, welche in Abhängigkeit der Anwendung zu betrachten sind und sich im Laufe der abzusichernden Lebensdauer verändern können. Im ungünstigsten Fall muss somit das System komplett redundant ausgelegt werden. Der Kern des Projektes ist ein hybrider Modellansatz zur Beschreibung des elektronischen Systems im Fertigungsprozess, als fertiges Produkt und im Feldbetrieb. Hybrid bedeutet in diesem Zusammenhang die Kombination von physikalischen Degradationsmodellen und datenbasierten KI-Modellen. Auf Basis von definierten und als relevant identifizierten Systemparametern und -daten werden sogenannte Black-Box Modelle mit Methoden aus dem Bereich Computational Intelligence und Machine Learning aufgebaut und trainiert. Dieser Bericht fasst die Methoden und Ergebnisse aus den Bereichen a) der Entwicklung einer verteilten, cloudbasierten und integrativen Softwarearchitektur und b) den Untersuchungen zur KI-basierten Bildverarbeitung zur Lebensdauervorhersage elektronischer Komponenten in sicherheitskritischen Bauteilen und Schaltungen zusammen. Zentrale Ergebnisse waren: • Entwicklung einer möglichst allgemeingültigen und gleichzeitig anwendungsspezifischen, verteilten Softwarearchtektur, welche das Zusammenspiel und die Konnektivität diverser Partner ermöglicht und eine Plattform für KI-basierte Ansätze für im 5G Umfeld ermöglicht. • Implementierung und Bereitstellung einer cloudbasierten zentralen Daten- und Rechenzentrale für daten- und rechenintensive Vorhersagemodelle • Erprobung unterschiedlicher KI-basierter Bildverarbeitungsansätze und dessen Evaluierung bzgl. Eignung für Lebensdauervorhersagen sicherheitskritischer, elektronischer Bauteile Electronics used in safety-critical domains are subject to stringent requirements concerning functional safety and operational availability. This is especially true in the mobility sector, where malfunctions, manipulation, or failures can pose significant hazards. Representative application areas include train control monitoring systems and electronic control units (ECUs) in electrified vehicles equipped with autonomous driving capabilities. Currently, ensuring the functional integrity of such systems is primarily achieved through the implementation of highly robust and redundant system components. However, this approach presumes a detailed understanding of the relevant safety-critical components, which are inherently application-specific and may evolve over the operational lifetime of the system. In the absence of this knowledge, a fully redundant system design is often required, resulting in considerable overhead. The core objective of the project is the development of a hybrid modeling framework to characterize electronic systems across three key stages: manufacturing, as-built condition, and field operation. The term hybrid in this context denotes the integration of physics-of-failure degradation models with data-driven AI models. Based on a set of defined and safety-relevant system parameters and telemetry data, black-box models are constructed and trained using methods from Computational Intelligence and Machine Learning. This report consolidates methodologies and results from two primary domains: (a) the design and realization of a distributed, cloud-based, and integrative software architecture, and (b) the application of AI-based image processing techniques for the prediction of the remaining useful life (RUL) of electronic components deployed in safety-critical assemblies and circuits. Key results are: • Development of a generalized yet application-specific distributed software architecture that facilitates interoperability among diverse stakeholders and enables AI-driven approaches in 5G-enabled environments. • Implementation of a centralized cloud infrastructure for data aggregation and high-performance computing, tailored for resource-intensive predictive modeling. • Evaluation of multiple AI-based image processing pipelines with respect to their effectiveness and reliability for lifetime estimation of safety-critical electronic components.