„Künstliche Intelligenz ist ein logischer Schritt für mehr Effizienz und Qualität“

IAV und DFKI untersuchen den Einsatz von Deep Learning in der Motorenentwicklung

Im Januar haben IAV und das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) in Kaiserslautern das gemeinsame „Forschungslabor Lernen aus Prüfdaten“ (FLaP) eröffnet. Fünf Mitarbeiter untersuchen dort, welche Analysemethoden der KI sich für den Einsatz in Prüfverfahren der Automobilentwicklung eignen. Im Mittelpunkt stehen Technologien des maschinellen Lernens, etwa Deep Learning und Zeitreihenanalyse. Im automotion-Interview erklären Matthias Schultalbers (Bereichsleiter Powertrain Mechatronik bei IAV) und Prof. Dr. Andreas Dengel (Leiter des Forschungsbereichs Smarte Daten & Wissensdienste am DFKI) warum KI für die Entwicklung von Fahrzeugen immer wichtiger wird.

Ein Engineering-Partner aus dem Automotive- Bereich und ein Forschungszentrum für künstliche Intelligenz – das klingt auf den ersten Blick nach einer ungewöhnlichen Konstellation. Warum arbeiten Sie zusammen?

Schultalbers: Weil der maximale Informationsgewinn aus Daten der Erfolgsfaktor der Zukunft ist. Seit Jahren erarbeitet IAV innovative Konzepte für spezielle Kundenanforderungen, wobei die Kopplung datenbasierter Verfahren mit physikalischem Hintergrundwissen unsere Stärke ist. In meinem Bereich Powertrain Mechatronik haben wir ein „Research Center“ als neuen Fachbereich gegründet, der sich mit dem Thema Digitalisierung beschäftigt. Dort geht es um Regelungstechnik, Virtual und Augmented Reality, Prozessautomatisierung und Toolentwicklung. Ein weiterer Schwerpunkt ist Data- Science, also die Auswertung der riesigen Datenmengen, die bei uns anfallen. Dafür haben wir einen Kooperationspartner gesucht. Das DFKI ist die erste Adresse auf diesem Gebiet. Wir haben potenzielle Projekte besprochen und betreiben seit Anfang des Jahres in Kaiserslautern nun gemeinsam das „Forschungslabor Lernen aus Prüfdaten“.

Dengel: Das DFKI sucht permanent Schnittstellen zur Industrie, weil wir sehr an realen Problemstellungen aus der Praxis interessiert sind. Für uns ist diese Kooperation eine sehr gute Gelegenheit, unsere Erkenntnisse auf dem Gebiet der künstlichen Intelligenz mit dem speziellen Domänenwissen von IAV zu kombinieren. Wir können hier quasi eine Brücke zwischen der Forschung und der industriellen Anwendung im Automobilbereich schlagen. Ziel ist es, sowohl auf lange Sicht grundlegende Erkenntnisse zu erarbeiten als auch kurzfristig konkrete Lösungen zu aktuellen Problemstellungen zu entwickeln. Gerade in der Automobilindustrie fallen gewaltige Datenmengen an – sowohl während der Entwicklung als auch später beim Betrieb von Versuchsflotten und Kundenfahrzeugen. Durch unsere Zusammenarbeit in Kaiserslautern können wir aus diesen wertvollen Daten wichtige Informationen für die Automobilentwicklung gewinnen.

Schultalbers: Nur um eine Vorstellung von den Datenmengen zu bekommen, mit denen wir es inzwischen zu tun haben: Ein modernes Motorsteuergerät hat mehr als 50.000 Parameter. Durch den Einsatz neuronaler Netze könnte es in Zukunft selbstständig lernen, wie die Eingangsgrößen optimal einzustellen sind. Bei der Zeitreihenanalyse von zum Beispiel Motorprüfdaten ermöglichen diese Verfahren zudem neue Ansätze für das Predictive Health-Monitoring, sodass wir die Vorhersage von Verschleiß und Wartungsfällen verbessern können. Des Weiteren hat KI das Potenzial, die Kalibrierung (Applikation) von Steuergeräten effizienter zu gestalten und zu einem Innovationshub in der Funktionsentwicklung zu führen.

IAV beschäftigt sich schon seit Jahren mit Modellbildung. Welche neuen Aspekte untersuchen Sie gemeinsam mit dem DFKI?

Schultalbers: Wir sind schon heute sehr stark bei Steuerung und Regelung von mechatronischen Systemen und betreiben dafür viel explizite Modellbildung. In Zukunft wird aber die implizite Modellbildung wichtiger werden. Durch Deep Learning werden wir Zusammenhänge entdecken, auf die ein Mensch nicht kommen kann. KI ist darum ein logischer Schritt für mehr Effizienz und Qualität bei der Bedatung von Steuergeräten.

An welchen Projekten arbeiten Sie im Moment?

Schultalbers: Wir analysieren zum Beispiel Sensordaten und identifizieren Zusammenhänge zwischen bestimmten Mustern und anormalem Verhalten des Fahrzeugs. Diese Daten fallen bei Fahrten mit Versuchsflotten, Dauerläufen auf Prüfständen oder später im Feld an. Für ihre Auswertung sind viele Zwischenschritte nötig, etwa die Aufbereitung der Messwerte oder die Synchronisation der Abtastung. Erst dann können wir die Daten interpretieren und unsere Schlüsse ziehen. Nehmen Sie als Beispiel die Auswirkungen von Schlechtkraftstoff auf das Fahrzeug: Wie kann man Verkokung im Motor feststellen? Da es dafür keinen speziellen Sensor gibt, müssen wir Probleme indirekt erkennen. Steuergeräte müssen in der Lage sein, aus Mustern in den Sensordaten und den aktuellen Randbedingungen wie etwa dem Wetter Rückschlüsse zu ziehen.

Welche Methoden aus der künstlichen Intelligenz kommen dabei zum Einsatz?

Dengel: Hier haben wir die Auswahl aus verschiedenen Ansätzen. Große Datenmengen lassen sich mit selbstlernenden Methoden analysieren. Stichworte sind hier überwachtes und nicht überwachtes Deep Learning: Bei Ersterem lernt das System anhand bekannter Fälle, bei Letzterem bildet es selbstständig Cluster aus den Daten. Eine Alternative ist Verstärkungslernen, bei dem das System selbstständig eine Strategie entwickelt.

Werden in Zukunft die Steuergeräte auch nach der Auslieferung noch dazulernen?

Dengel: Technisch ist es tatsächlich möglich, dass Steuergeräte während des Betriebs dazulernen – also Erfahrungen nutzen, um ihre Modelle zu trainieren und kontinuierlich zu verbessern. Man könnte sie mit vortrainierten Modellen ausliefern, die sich aufgrund der unterschiedlichen Nutzung dann individuell weiterentwickeln.

Schultalbers: Entscheidend dabei ist, dass die Systemeigenschaften trotz des Lernens konstant bleiben. Außerdem stellen sich ganz neue Fragen mit Blick auf die Absicherung solcher selbstlernender Modelle. Es wird darum noch dauern, bis das in Serie gehen kann.

Wie ist die KI-Forschung in Deutschland im internationalen Vergleich aufgestellt? China hat hier ja große Ambitionen.

Dengel: China hat tatsächlich das Ziel, in einigen Jahren die führende KI-Macht der Welt zu sein. Dort gibt es weniger Regulierung und mehr Offenheit im Umgang mit Daten. Außerdem fallen in China bereits riesige Datenmengen an, die sich mit KI auswerten lassen. Umso wichtiger ist es, dass Unternehmen wie IAV und Forschungseinrichtungen wie das DFKI frühzeitig gemeinsam an dem Thema arbeiten. Denn noch haben wir international eine Spitzenstellung in diesem Bereich.

Lassen sich die Erkenntnisse aus dem gemeinsamen Forschungslabor auch auf andere Branchen übertragen?

Dengel: Das ist natürlich möglich. Wir pflegen darum auch rege Kontakte zu anderen Bereichen, etwa der Robotik. Ein Geschäftsmodell der Zukunft könnte beispielsweise sein, bestehende und vortrainierte Modelle auf andere Domänen zu transferieren. Vielleicht gibt es in Zukunft neben dem App-Store also auch einen Model-Store im Internet.

 

Das Deutsche Forschungszentrum für Künstliche Intelligenz

Das DFKI ist derzeit gemessen an Mitarbeiterzahl und Drittmittelvolumen das weltweit größte Forschungszentrum auf dem Gebiet der künstlichen Intelligenz und deren Anwendungen. Aktuell forschen mehr als 520 Mitarbeiter (darunter ca. 20 Professoren und Professorinnen) aus rund 60 Nationen an innovativen Softwarelösungen. Inhaltliche Schwerpunkte sind smarte Daten und Wissensdienste, Cyber-Physical-Systems, multilinguale Technologien, planbasierte Robotersteuerung, Educational Technologies, Interaktive Textilien, Robotik, Innovative Retail, Wirtschaftsinformatik, Eingebettete Intelligenz, Smart-Service-Engineering, intelligente Analytik für Massendaten, intelligente Netze, Agenten und simulierte Realität, erweiterte Realität, Sprachtechnologie, intelligente Benutzerschnittstellen und innovative Fabriksysteme. Aus DFKI-Projekten sind mehr als 80 Spin-off-Unternehmen mit ca. 2.500 Arbeitsplätzen entstanden. www.dfki.de