Erforschung und Erweiterung von intelligenten Verifikationstechniken durch KI-Methoden in der Bordnetzauslegung; im Rahmen des Verbundvorhabens: Integrale agile E/E-Entwicklung für fusionierte und standardisierte Energie- und Datenbordnetze

Abstract

Zielsetzung: Das Teilprojekt fokussierte die wissenschaftliche Entwicklung eines hybriden Verifizierungs-Frameworks, das formale Methoden (z. B. Model Checking) mit künstlicher Intelligenz (KI) vereint. Ziel war es, die bisher isolierten Ansätze in einen durchgängigen, simulationsbasierten Workflow für komplexe automobile E/E-Architekturen zu integrieren. Kernergebnisse:

Methodenfusion: Erfolgreiche Integration formaler Verifizierung in KI-gestützte Workflows. Automatisierung: KI-basierte Generierung und formale Validierung von Prüfregeln (Assertions). KI-Anwendung: Einsatz von Deep Learning zur Defekterkennung (PCBs) und Reinforcement Learning zur physikalischen Optimierung von Leitungsparametern (z. B. Massereduzierung). Validierung: Aufbau experimenteller Demonstratoren und Testumgebungen zur Generierung hochwertiger Validierungsdaten.

Nutzen & Verwertung: Durch die enge Kooperation mit Industriepartnern (EDAG, Kromberg & Schubert) wurden die Methoden direkt an realen Use Cases erprobt. Das Ergebnis ist eine methodische Grundlage, die Entwicklungsprozesse im Bordnetzdesign durch intelligente, automatisierte Verifizierung effizienter, sicherer und ressourcensparender gestaltet. Objectives: The sub-project focused on the scientific development of a hybrid verification framework that combines formal methods (e.g., model checking) with Artificial Intelligence (AI). The goal was to integrate previously isolated approaches into a seamless, simulation-based workflow for complex automotive E/E architectures. Key Results:

Method Fusion: Successful integration of formal verification into AI-supported workflows. Automation: AI-based generation and formal validation of check rules (Assertions). AI Application: Use of Deep Learning for defect detection (PCBs) and Reinforcement Learning for the physical optimization of wiring parameters (e.g., mass reduction). Validation: Development of experimental demonstrators and test environments to generate high-quality validation data.

Benefit & Exploitation: Through close cooperation with industry partners (EDAG, Kromberg & Schubert), the methods were tested directly on real-world use cases. The result is a methodical foundation that makes development processes in wiring system design more efficient, secure, and resource-friendly through intelligent, automated verification.