Optimierung des Batteriemanagements bei Elektrofahrzeugen durch KI-gestützte Datentransformation

Die KI-gestützte Datentransformation wird für die Verbesserung der Zuverlässigkeit und Leistung von Batteriemanagementsystemen (BMS) in Elektrofahrzeugen (Electric vehicle, EV) immer unverzichtbarer. Durch die Kombination der hochpräzisen Datenerfassung von Dewesoft mit den fortschrittlichen Kalibrierungs- und Modellierungstools von ETAS können Ingenieure große Mengen an Rohmessdaten in genaue Vorhersagemodelle umwandeln. Die integrierte Toolchain ermöglicht eine präzise Schätzung des Ladezustands (State of Charge, SoC) und zuverlässigere Reichweitenprognosen. Damit trägt sie dazu bei, die Reichweitenangst bei Elektrofahrzeugen zu verringern und das Vertrauen in die Elektromobilität zu stärken.

Die Toolchain von ETAS und Dewesoft nutzt KI, um Messdaten in präzise Modelle für das EV-Batteriemanagement und damit in handlungsrelevante Erkenntnisse umzuwandeln.

In der sich rasant entwickelnden Automobilindustrie – insbesondere im Bereich der Elektrofahrzeuge – ist Präzision beim Management und bei der Interpretation großer Datenmengen von entscheidender Bedeutung. ETAS, ein führender Anbieter von Automobil-Software und -Hardware, arbeitete mit Dewesoft, einem Spezialisten für hochpräzise Datenerfassung, zusammen, um ein kritisches Datendilemma anzugehen, das die Reichweitenangst bei Elektrofahrzeugen betrifft: die Unzuverlässigkeit und oft irreführende Natur von SoC-Rohdaten. 

Durch den Einsatz einer hochentwickelten Toolchain, die tief in die fortschrittlichen Messfähigkeiten von Dewesoft integriert ist und erweiterte Datenerfassung, Datenverarbeitung sowie KI-gestützte Modellierung umfasst, hat ETAS die Präzision von Batteriemanagementsystemen deutlich verbessert. Dadurch wurden zuverlässigere Reichweitenprognosen und mehr Vertrauen in die EV-Technologie ermöglicht. Dieses Unterfangen unterstreicht das Potenzial, komplexe, vielfältige und exponentiell wachsende Rohdatenmengen in relevante, umsetzbare Informationen umzuwandeln.

Der Kunde

ETAS wurde 1994 als 100-prozentige Tochtergesellschaft der Robert Bosch GmbH gegründet und hat sich seitdem zu einem weltweit führenden Anbieter von eingebetteten Systemen für die Automobilindustrie entwickelt. Als Problemlöser und wichtiger Technologiepartner unterstützt ETAS Automobilhersteller weltweit. Mit rund 3000 Mitarbeitern an 42 Standorten in 13 Ländern und einem  prognostizierten Umsatz von 599 Millionen Euro für 2024 ist ETAS ein unverzichtbarer Partner für die globale Automobilindustrie, der Innovationen im Bereich der Fahrzeugsoftware vorantreibt.

Das umfangreiche Portfolio von ETAS umfasst:

• Tools für Datenerfassung und -verarbeitung

• Softwareentwicklungstools

• Softwaretestlösungen

• Softwareplattform-Suite für Fahrzeuge

• Onboard- und Offboard-Sicherheitslösungen

• Diagnose- und Informationslösungen

• Cybersecurity-Dienste, die für die Realisierung software-definierter Fahrzeuge entscheidend sind

Die Herausforderung

Überwindung der Unzuverlässigkeit bei der SoC-Vorhersage in Elektrofahrzeugen

Eine zentrale Herausforderung bei der Entwicklung von Elektrofahrzeugen ist die „Reichweitenangst“, die oft durch Inkonsistenzen in den Daten zum Batterieladezustand (SoC) verschärft wird. Fahrer beobachten, dass der SoC scheinbar „regeneriert“, sobald das Fahrzeug nicht mehr unter Last steht. Dies führt zu unzuverlässigen Daten und macht eine genaue Vorhersage unmöglich. Dieses Phänomen resultiert aus den komplexen elektrochemischen Prozessen in den Batterien sowie aus transienten Effekten.

Das Kernproblem umfasste die folgenden Aspekte:

• Vielfalt der Daten

Verwaltung diverser Datenquellen von verschiedenen Sensoren, Steuergeräten und Bussystemen, die alle entscheidende Eingangsgrößen für eine robuste Modellierung von EV-Systemen darstellen.

• Bewältigung exponentiell wachsender Datenmengen

Das schiere Volumen an Rohmessdaten macht eine manuelle Analyse und Mustererkennung für eine effektive Systemkalibrierung und -validierung unpraktikabel.

• Komplexität der Daten – Rauschen vs. Relevanz

Die Unterscheidung zwischen relevanten Signalen und Rauschen oder irrelevanten Datenpunkten in umfangreichen Datensätzen ist entscheidend für das Training präziser Vorhersagemodelle.

• Fehlende Informationen – Rohdaten allein reichen nicht aus

Unverarbeitete Rohdaten liefern ein unvollständiges Bild; ihnen fehlt die kontextuelle und prädiktive Intelligenz, die für fundierte Entscheidungen und präzise SoC-Schätzungen erforderlich ist.

Um die Reichweitenangst zu überwinden und das Vertrauen in die EV-Technologie zu stärken, bestand die entscheidende Herausforderung darin, die Genauigkeit von Batteriemanagementsystemen zu optimieren, um zuverlässige und präzise SoC-Vorhersagen zu gewährleisten.

Die Lösung

Eine integrierte Toolchain für die datengestützte Entwicklung von BMS-Modellen

Im Mittelpunkt der Strategie von ETAS stand der Einsatz einer robusten, integrierten Toolchain, die das eigene Fachwissen mit den fortschrittlichen Datenerfassungsfähigkeiten von Dewesoft kombiniert. Die spezifisch für die EV-Entwicklung konzipierten Geräte wurden über OpenDAQ nahtlos in INCA (ab V7.5-SP6) integriert. Diese Toolchain dient als Instrument zur Umwandlung von Rohdaten in präzise, KI-gestützte Modelle und ermöglicht insbesondere die Entwicklung und Verfeinerung hochpräziser BMS-Modelle.

Die Lösung umfasst drei Kernkomponenten:

• INCA (Integrated Calibration and Application Tool) und Dewesoft XHS Power

ETAS erfasste hochwertige, zeitsynchronisierte Daten, die für das Verständnis des komplexen EV-Verhaltens von entscheidender Bedeutung sind. Diese Datenerfassung umfasste nicht nur präzise Messungen von Batteriezellenspannungen und -strömen, sondern auch umfassende Messungen des gesamten elektrischen Antriebsstrangs (Motorparameter über alle Phasen hinweg), einschließlich Spannungen, Ströme, Drehmoment, Temperaturen und Schwingungen. Diese ganzheitliche Datenerfassung bildet eine einzigartige Grundlage für die Modellentwicklung.

• Datenerfassung
  Nahtlose Erfassung hochpräziser Daten aus verschiedenen Quellen, einschließlich diverser Bussysteme, Steuergeräte und physikalischer Sensoren.

• Datenvisualisierung

  Nutzung spezialisierter Widgets für die Echtzeit-Visualisierung komplexer Datenströme. Entscheidend war die nahtlose Integration des fortschrittlichen Phasordiagramms von Dewesoft direkt in INCA. Dadurch erhielten Ingenieure sofortige und tiefe Einblicke in das Dreiphasensystem und konnten die Leistung von Motor und Wechselrichter präzise analysieren.

• Datenaufzeichnung
  Effiziente Aufzeichnung großer Datensätze mit präziser Zeitsynchronisation und umfassenden Metadaten, die den vollständigen Betriebskontext für eine robuste Modellentwicklung erfassen.

• ETAS Analyzer Tool Box (EATB)

• Erstellung von Datenberichten
  Erstellung detaillierter, benutzerdefinierter Berichte aus den erfassten Batterie- und Antriebsstrangdaten, um das Verständnis der Systemleistung zu unterstützen.

• Identifizierung kritischer Details
  Identifizierung kritischer Ereignisse, Anomalien oder spezifischer Betriebspunkte in umfangreichen Datensätzen, die für die Verfeinerung des Modellverhaltens von entscheidender Bedeutung sind.

• Vergleich von Änderungen
  Analyse von Verhaltensänderungen und Vergleich von Charakteristika über verschiedene Konfigurationen oder Testzyklen hinweg – unerlässlich für die iterative Modellverbesserung.

• Kommunikation der Ergebnisse
  Ermöglichung einer klaren und prägnanten Kommunikation komplexer analytischer Erkenntnisse zur Systemvalidierung.

• Validierung der Fahrzeugleistung
  Direkte Unterstützung der Validierung von Fahrzeugleistung und Batteriemanagement-Strategien anhand von  Konstruktionsspezifikationen, um Feedback für die Modellkalibrierung zu liefern.

• Erweiterte Simulation und Optimierung von Kalibriermodellen (ASCMO)

• Umfassende Messdatenanalyse
  Bereitstellung von Tools für die detaillierte Inspektion und Verwaltung von Batterie- und Antriebsstrang-Datensätzen als direkter Beitrag zur Modellerstellung.

• Multidimensionale Einblicke
  Leistungsstarke grafische Inspektions- und multidimensionale Analysefunktionen für das Verständnis komplexer Systemabhängigkeiten, das für die Genauigkeit des Modells entscheidend ist.

• Hinzufügen berechneter Signale
  Ermöglichung der Hinzufügung berechneter Signale (z. B. Innenwiderstand, Zustandsschätzungen) zur Ergänzung der Daten und Bereitstellung robusterer Eingabedaten für die Modellentwicklung.

• Modellbildung auf Datengrundlage
  Ein zentraler Vorteil von ASCMO ist, dass es Anwendern ermöglicht, direkt aus den gemessenen Daten komplexe Vorhersagemodelle zu erstellen, die den Kern für die SoC-Schätzung und andere Algorithmen zur Steuerung des Antriebsstrangs bilden.

• Optimierung bestehender Modelle
  Verfeinerung und Optimierung bestehender Modelle unter Verwendung neuer Daten und Leistungskriterien, um kontinuierliche Verbesserungen und Anpassungsfähigkeit zu gewährleisten.

Systeminstrumentierung

Software

• RTA-VRTE + (RTA-Car)

• MC Gateway

• INCA (inkl. EV-Instrumente)

• INCA SOME/IP-Addon

• INCA Dewesoft-Addon

• EHANDBOOK

• ASCET Developer

Hardware

• XETK + BR-XETK

• ES570 

• ES160

• Dewesoft  SIRIUS XHS-PWR

Das Ergebnis

Verbesserte Vorhersagegenauigkeit und zuverlässiger EV-Betrieb

Der Einsatz der integrierten Toolchain, gestützt auf die umfassende Datenerfassung durch Dewesoft, führte direkt zu signifikanten Fortschritten bei den Fähigkeiten zur Verwaltung von Batterien und Antriebssträngen – insbesondere durch die Entwicklung hochgenauer prädiktiver Modelle:

• Präzise SoC-Schätzung: Die entwickelten virtuellen Sensoren und Zustandsbeobachtungssysteme basieren nun auf hochgenauen, KI-gestützten Modellen und bieten beispiellose Präzision bei der SoC-Schätzung.

• Verbesserte Vorhersagefähigkeiten: Diese Modelle bieten überlegene Vorhersagefähigkeiten für SoC und verbleibende Reichweite und  adressieren und mildern die Reichweitenangst direkt.

• Geringer Rechenaufwand: Trotz ihrer Präzision sind die Modelle für einen geringen Rechenaufwand optimiert und eignen sich für Echtzeit-Schätzungen in eingebetteten Systemen.

• Überbrückung der Kluft zwischen virtueller und physischer Welt: Indem sie zuverlässige und genaue Echtzeit-Schätzungen ermöglicht, adressiert die Lösung erfolgreich die Tatsache, dass es sich beim SoC um eine virtuelle Variable handelt, die nicht direkt gemessen werden kann.

Erfolgsfaktoren

Präzision, Validierung und ECU-Integration

Die kritischen Komponenten, die zum Erfolg dieses Ansatzes beitrugen, umfassen:

• Hochpräzise Daten von Dewesoft
  Die unvergleichliche Qualität und Vielfalt der Messdaten von Dewesoft XHS Power war die wesentliche Grundlage für die Erstellung zuverlässiger und genauer Modelle für das gesamte EV-System.

• Steuergerätekompatibler Modellexport
  Die Möglichkeit, Modelle und deren Parameter in Formaten zu exportieren, die direkt mit Steuergeräten (Electronic Control Unit, ECU) kompatibel sind, gewährleistet eine nahtlose Integration in Fahrzeugsysteme.

• Strenge Modellvalidierung
  Die umfassende Validierung der Modellleistung durch statistische KPI und visuelle Inspektion stellt die Zuverlässigkeit und Konformität mit Automobilstandards sicher.

• Datengestützte Kalibrierung
  Die Fähigkeit, Modellparameter direkt anhand realer Messungen zu kalibrieren, stellt sicher, dass die Modelle das physikalische Verhalten des Systems unter verschiedenen Bedingungen genau widerspiegeln.

• Experimentelle Messdatenerfassung
  Ein systematischer Ansatz zur Erfassung hochwertiger Messdaten aus kontrollierten Experimenten bildete die wesentliche Grundlage für die Entwicklung und das Training robuster Modelle.

Perspektiven

Die Zukunft der KI in Fahrzeugsteuerungssystemen mit Embedded AI Coder

Mit Blick auf die Zukunft erschließt die integrierte Lösung von ETAS und Dewesoft – insbesondere durch die Einführung kleiner KI-Modelle – neue Horizonte für die Automobilentwicklung.

Nutzen für Kunden

• Verbesserte Effizienz
  Schnellere Modellierung neuer Funktionen unter Verwendung von maschinellem Lernen (z. B. verbesserte SoC-Schätzung in Batteriemanagementsystemen, präzise Objekterkennung in Parkassistenzsystemen, genaue Luftmengenerfassung in der Motorsteuerung).

• Erhebliche Kostensenkung
  Durch virtuelle Sensoren, z. B. KI-gestützte virtuelle Stator-Temperatursensoren für elektrische Antriebsstränge, die teure physische Sensoren ersetzen und so die mechanische Komplexität in E/E-Architekturen verringern.

Bewältigung der KI-Herausforderung

Während die Erstellung von KI-Modellen und deren Bereitstellung auf Steuergeräten traditionell fortgeschrittene Kenntnisse in den Bereichen Data Science und KI-Algorithmen sowie ein umfassendes Verständnis von Hardware- und Sicherheitsbeschränkungen erfordern, vereinfacht die auf Dewesoft-Basisdaten gestützte ETAS-Lösung diesen Prozess mit ASCMO für die Erstellung hochwertiger Modelle und Embedded AI Coder für eine schnelle, sichere und ISO-26262-konforme Generierung von Code, der direkt auf Kfz-Steuergeräten einsetzbar ist.

Wesentliche Vorteile

• Benutzerfreundlichkeit

  Einfach zu bedienen für Anfänger und mit fortgeschrittenen Anpassungsmöglichkeiten für Experten.

• Hardware-Unabhängigkeit

  Keine spezielle KI-Hardware erforderlich; funktioniert auf jedem Mikrocontroller oder Mikroprozessor, ohne Bindung an einen Hardware-Anbieter.

• Unterstützung der funktionalen Sicherheit

  Konform mit ISO 26262.

• Hohe Leistungsfähigkeit und Ressourceneffizienz

  Hohe Leistungsfähigkeit und Ressourceneffizienz des generierten Codes.

• Nahtlose Integration

  Nahtlose Integration des Codes in die bestehende ECU-Entwicklungs-Toolchain und -Plattform, einschließlich Software-Stacks für Batteriemanagement.

Fazit

Durch die Umwandlung der anspruchsvollen Herausforderung der Verarbeitung großer, vielfältiger und oft irreführender Rohmessdaten in einen rationalisierten, KI-gestützten Modellierungsprozess haben ETAS und Dewesoft gemeinsam eine leistungsstarke Lösung geliefert. Dieser Ansatz löst nicht nur kritische Herausforderungen wie die Reichweitenangst bei Elektrofahrzeugen durch eine verbesserte Vorhersagegenauigkeit, sondern legt auch den Grundstein für eine neue Generation intelligenter, effizienter und sicherer Kfz-Steuerungssysteme. Damit treibt er die Zukunft softwaredefinierter Fahrzeuge voran.