KI optimiert die Fahrzeugentwicklung: Bessere Crashtests für die Automobilindustrie
Ein neues Projekt nutzt innovative Methoden des maschinellen Lernens, um die Automobilindustrie zu unterstützen. SAFECAR-ML hat das Ziel, die Fahrzeugentwicklung schneller und kostengünstiger zu gestalten.
Anpassungen der Blechdicke und Geometrie der Rahmenlängsträger (rot: Originalversion, grün: softwareoptimierte Version) im Produktentwicklungszyklus ermöglichen eine bessere Absorption der Aufprallenergie und erhöhen die Sicherheit.
Foto: Fraunhofer SCAI
Neue Methoden des maschinellen Lernens ermöglichen ein besseres Verständnis und eine effizientere Verarbeitung von Daten aus der Crashtest-Entwicklung. Im Projekt SAFECAR-ML wird eine automatisierte KI-gestützte Lösung entwickelt, die die Dokumentation virtueller Crashtests erleichtert. Ziel ist es, den Entwurfsprozess zu vereinfachen und effizienter zu gestalten.
Aufprallversuche sind wichtige Tests, die in der Automobilindustrie durchgeführt werden, um die Sicherheit von Fahrzeugen zu überprüfen. Bei diesen Versuchen wird ein Fahrzeug unter kontrollierten Bedingungen gegen ein Hindernis oder ein anderes Fahrzeug geschoben, um die Auswirkungen eines Unfalls zu simulieren. Dabei werden verschiedene Parameter wie die Kollisiongeschwindigkeit, die Deformation des Fahrzeugs und die Auswirkungen auf die Insassen gemessen. Diese Tests helfen dabei, Sicherheitsmerkmale wie Airbags, Gurte und die Gesamtstruktur des Fahrzeugs zu optimieren. Die gesammelten Daten werden genutzt, um die Fahrzeuge so zu gestalten, dass sie im Falle eines Unfalls den bestmöglichen Schutz bieten und die Sicherheit für Fahrer und Passagiere erhöhen.
Crashtests am Computer
Doch jetzt ist alles viel einfacher. Zersplitterndes Glas, zerfetzte Bleche und herumfliegende Teile sind bei Crashtests in der Automobilindustrie heutzutage selten. Die meisten Aufprallversuche finden am Computer statt. Es ist wichtig, Änderungen an den Konstruktionen der virtuellen Crashfahrzeugmodelle genau zu dokumentieren, aber dieser Prozess ist oft aufwändig und teuer.
Das Ziel des Projekts SAFECAR-ML ist es, diese Arbeit zu erleichtern. Durch die Kombination neuer Methoden der künstlichen Intelligenz (KI) mit technischem Wissen aus der Fahrzeugentwicklung wollen die Projektpartner aus Forschung und Automobilindustrie die Dokumentation virtueller Crashtests vereinheitlichen.
Mit Hilfe von Maschinellem Lernen (ML) können freisprachliche Aussagen von Ingenieurinnen und Ingenieuren semantisch verstanden werden. Die daraus gewonnenen unstrukturierten Daten müssen vereinheitlicht und zum Beispiel mit virtuellen Fahrzeugdaten verknüpft werden. Die im Projekt entwickelte Software kann dann automatisch weitere Schritte und Handlungsempfehlungen ableiten.
Verknüpfung multimodaler Ingenieursdaten mit ML
„Änderungen am virtuellen Fahrzeugmodell lassen sich in natürlicher Sprache erfassen und automatisiert verarbeiten – ähnlich wie dies bei großen Sprachmodellen wie GPT-4 bereits möglich ist. Neu ist die Verknüpfung multimodaler Ingenieursdaten mit ML. Dieser Ansatz hat großes Potenzial, Entwicklungsprozesse durch Computer-Aided Engineering zu optimieren“, wird Dr. Daniela Steffes-lai, Forscherin im SCAI-Geschäftsfeld „Numerische datenbasierte Vorhersage“ in einer Pressemitteilung zitiert. Das Projekt soll die Fahrzeugentwicklung schneller und günstiger machen.
Fraunhofer SCAI bringt seine umfangreiche Erfahrung im Bereich Maschinelles Lernen (ML) und in der Analyse von Simulationsergebnissen in das Projekt ein. In SAFECAR-ML wird eine formale Beschreibung des technischen Wissens für die Produktentwicklung erstellt. Die Zusammenarbeit mit der Automobilindustrie ermöglicht auch weitere Anwendungen im Computer-Aided Engineering.
Projektpartner von Fraunhofer SCAI ist die SCALE GmbH in Ingolstadt. Zu den assoziierten Partnern gehören die Automobilhersteller AUDI, Volkswagen und Porsche.
Das Bundesministerium für Bildung und Forschung (BMBF) unterstützt das Projekt von September 2024 bis Februar 2027 im Rahmen der Maßnahme „Erforschung, Entwicklung und Nutzung von Methoden der Künstlichen Intelligenz in kleinen und mittleren Unternehmen (KI4KMU)“. Die Gesamtsumme der Förderung beträgt 670.000 Euro.
Ein Beitrag von:
