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

Abstract

In SesiM, a methodology for AI-based condition monitoring for automotive and railway applications has been developed. A digital fingerprint for an electronic system was generated on the basis of manufacturing data and system parameters, enabling unambiguous evaluation of every produced and monitored system. Within the project, manufacturing and inspection data were correlated with degradation-related solder-joint failures. Furthermore, the influence of loads on electrical parameters was investigated using analytical modelling approaches. All investigations were integrated into a single workflow that forms the basis for a system-level condition-monitoring approach. Within this workflow, physics-of-failure and data-driven techniques were combined into hybrid modelling approaches. The focus of the Siemens AG sub-project lies on technologies and system components for railway applications. The novel SesiM methodology was developed specifically with these technologies in mind. Siemens’ main activities concern data generation, model development, and anomaly detection. In SesiM ist eine Methode zur KI-basierten Zustandsbestimmung für Automobil- und Bahntechnik entwickelt worden. Es wurde ein digitaler Fingerabdruck für ein elektronisches System basierend auf Fertigungsdaten und Systemparameter erzeugt. Dadurch wird eine eindeutige Auswertung von jedem produzierten und überwachten System möglich. In dem Projekt ist die Korrelation der Fertigungs- und Inspektionsdaten mit degradationsbedingten Ausfällen durchgeführt worden. Es wurde der Einfluss von Lasten auf elektrische Parameter durch analytische Modelle untersucht. 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 Modellierunsansätzen kombiniert worden. Das Teilvorhaben der Siemens AG untersuchte Technologien und Systemkomponenten aus dem Bereich der Bahntechnik. Die Entwicklung der neuen Methode ist gezielt anhand dieser Technologien entwickelt worden. Hierbei lag der Fokus auf der Datenerzeugung, Modellbildung und Anomalieerkennung.