Zuverlässige und störungsarme Bordnetzarchitekturen mit KI-basierter aktiver Bordnetzsteuerung; im Rahmen des Verbundvorhabens: Integrale agile E/E-Entwicklung für fusionierte und standardisierte Energie- und Datenbordnetze

Abstract

Das Teilvorhaben „Zuverlässige und störungsarme Bordnetzarchitekturen mit KI-basierter aktiver Bordnetzsteuerung“ beschäftigte sich mit der Entstörung von Bordnetzen und der Minimierung der Auswirkungen von Störungen auf empfindliche Systeme. Daneben wurden neue Bordnetzarchitekturen untersucht, die durch geeignete ML-basierte Diagnoseverfahren in Verbindung mit einer aktiven Bordnetzschnittstelle erheblich fehlertoleranter sind. Da Entscheidungen aufgrund einer Fehlerdiagnose meist mit einer erheblichen Tragweite einhergehen und eine hohe Entscheidungssicherheit aufweisen müssen, standen weiterhin sogenannte Explainable KI-Verfahren im Fokus, die Entscheidungen möglichst nachvollziehbar begründbar machen. In enger Zusammenarbeit mit den Konsortialpartnern wurden konventionelle und KI-basierte Verfahren zur Erfassung des Bordnetzzustands analysiert. Durch eine hochsynchrone und genaue Erfassung von Störungen und Unregelmäßigkeiten wurde eine Basis geschaffen, auf der neuartige aktive Komponenten zur Steuerung des Bordnetzes und zur Störunterdrückung genutzt werden können. Bei der Entstörung wurden Konzepte eingesetzt, die erstmalig sowohl auf der Störquellen- als auch auf der Störsenkenseite wirken. Die Zuverlässigkeit und Einsparungen im Bordnetz wurden in ausgewählten Fällen simulativ und messtechnisch analysiert. Basierend auf Diagnosedaten konnten innovative selbstkonfigurierende Bordnetzknoten Störungen minimieren und durch alternative Strompfade der Weiterbetrieb im Fehlerfall sichergestellt werden. Die bereitgestellten Daten müssen letztlich zu nachvollziehbaren Entscheidungen führen, so dass die entwickelten KI-Verfahren ein Höchstmaß an Transparenz aufweisen müssen. Nur dadurch wurde sichergestellt, dass ein echter Mehrwert für zukünftige Fahrzeuge geschaffen wurde. Die verschiedenen Komponenten wurden in Projektdemonstratoren integriert und analysiert. Softwareprototypen wurden erstellt und iterativ optimiert. Somit wurde die Eignung aller entwickelten Konzepte final abgesichert. The subproject “Reliable and Low-Interference Vehicle Electrical Systems with AI-Based Active Control” focused on the suppression of interference in vehicle electrical systems and the minimization of the effects of interference on sensitive systems. In addition, new vehicle electrical system architectures were investigated that are significantly more fault-tolerant thanks to suitable ML-based diagnostic methods in combination with an active vehicle electrical system interface. Since decisions based on fault diagnosis usually have far-reaching consequences and must exhibit a high degree of decision reliability, the focus also remained on so-called explainable AI methods, which justify decisions in a manner that is as transparent as possible. In close collaboration with the consortium partners, conventional and AI-based methods for monitoring the vehicle electrical power supply system state were analyzed. The highly synchronized and accurate detection of disturbances established a foundation upon which novel active components can be utilized for disturbance reduction. Concepts were employed that, for the first time, act on both the interference source and the interference sink sides. The reliability and cost savings in the vehicle electrical system were analyzed in selected cases using simulations and measurement techniques. Based on sensor data, innovative self-configuring vehicle electrical system nodes were able to stabilize the overall system’s voltage, and continued operation in the event of instability was ensured through alternative current paths. The methods provided ultimately had to lead to transparent decisions, ensuring that the developed neural networks exhibit the highest degree of transparency. Only in this way was it ensured that genuine added value was created for future vehicles. The various components were integrated into project demonstrators and analyzed. Software prototypes were created and iteratively optimized. Thus, the suitability of all developed concepts was finally validated.