Mit KI und Embedded Software zu technischen Hochleistungssystemen

Wie lassen sich komplexe Systeme effizienter entwickeln? Die Antwort liegt in Embedded Software, Model-Based Engineering und KI. Von der Simulation bis zur Implementierung – moderne Tools wie Matlab und Simulink ermöglichen es Ingenieuren, präzisere und leistungsfähigere Lösungen zu schaffen.

Die Entwicklung technischer Systeme geht zunehmend mit Fortschritten im Software- und KI-Bereich Hand in Hand. Solche modernen Systeme – oft komplex und mit hohen dynamischen Anforderungen – werden in erster Linie mit ausgefeilten Software-Tools wie Matlab und Simulink von MathWorks entwickelt, die einen hohen Grad an Qualität und Innovation ermöglichen. Mit diesem wachsenden Entwicklungsanspruch nimmt die Bedeutung von Embedded Software beispielsweise als Steuerungskomponente zu, da sie einen effizienteren und anpassungsfähigeren Systembetrieb ermöglicht.

Zusätzlich erlangt KI sowohl im Systementwurf als auch im operativen Einsatz inzwischen immer mehr Bedeutung bei der Bewältigung von Komplexität und Variabilität solch fortschrittlicher Systeme. Frank Graeber, Manager Application Engineering bei MathWorks, erläutert im Vorfeld der diesjährigen embedded world, wie Ingenieure Model-Based Engineering beispielsweise zur Entwicklung von Steuermechanismen nutzen können und wie der Einsatz von KI ihnen dabei helfen kann, Herausforderungen hochdynamischer Anforderungen zu bewältigen, die Abhängigkeit von physischen Prototypen zu verringern, begrenzte Ressourcen optimal einzusetzen und Zertifizierungsprozesse zu ermöglichen und zu beschleunigen.

Schritt für Schritt zum Ziel: Workflows für die Regelungsentwicklung

Um die benötigten digitalen Funktionen für eingebettete Systeme zu entwickeln, bietet Model-Based Design (MBD) einen strukturierten Rahmen. Indem Algorithmus- und Verhaltensmodelle mit Anforderungen, Leistungsdaten und Testartefakten innerhalb eines einheitlichen digitalen Fadens integriert werden, ermöglicht MBD einen leichteren, kohärenteren Entwicklungsprozess. Dieser Ansatz umfasst den frühen Designentwurf, das Prototyping und die Validierung durch Hardware-in-the-Loop-Tests.

So können Ingenieure beispielsweise bei Batteriemanagementsystemen (BMS) im Automobilbereich komplexe Algorithmen entwickeln und simulieren, sie gegen verschiedene Szenarien testen und automatisch Code für die Hardware-Implementierung generieren. Auf diese Weise können sie eine umfassende BMS-Lösung entwickeln, die in der Lage ist, den Ladezustand zu ermitteln, die Temperatur zu regeln, State-of-Health zu schätzen und die Verteilung der Ladung über die Zellen auszugleichen. Tools wie Matlab und Simulink von MathWorks können dieses Vorgehen erleichtern. Dieser nahtlose Workflow verkürzt nicht nur den Entwicklungsprozess, sondern gewährleistet auch, dass die endgültige Implementierung robust ist und die festgelegten Designkriterien erfüllt werden.

Validieren statt vermuten: Modelle testen, Systeme verifizieren

Um Modelle sicher auf Hardware zu implementieren und eine hohe Produktqualität aufrechtzuerhalten, brauchen Ingenieure rigorose Test- und Verifizierungsprozesse. Tools wie Polyspace bieten robuste statische und dynamische Tests für C/C++-Code innerhalb von Continuous-Integration-Pipelines, was es ermöglicht, Fehler frühzeitig zu erkennen und über unterschiedliche Märkte und Sprachen hinweg effizient zusammenzuarbeiten. Mithilfe einer Model-Based Safety Analysis (MBSA), die Fehlermodellierungen und Tests integriert, steht Ingenieuren ein weiterer Ansatz zur Verfügung, um die Verlässlichkeit und Einhaltung von Industriestandards zu gewährleisten. Modulare Back-to-Back-Testframeworks unterstützen zudem Zertifizierungs-Workflows, indem sie Algorithmen auf verschiedenen Hardwareplattformen testen und automatisiert Berichte generieren. Diese Testmethoden helfen dabei, technische Systeme gründlich zu prüfen und die erforderlichen Sicherheits- und Qualitätsstandards zu erfüllen.

Künstliche Intelligenz, reale Vorteile: Systeme intelligenter entwickeln

Durch KI ergeben sich neue Möglichkeiten bei der Modellierung von Systemen. Neuronale Netze können beispielsweise die Abschätzung von Zuständen der Komponenten elektrischer Antriebe und die Fehlerklassifikation im Entwicklungsprozess übernehmen. Da KI in der Lage ist, komplexe Datenmuster zu verarbeiten und aus vielfältigen Datensätzen zu lernen, verbessert ihre Anwendung die Genauigkeit und Effizienz dieser Modelle. Ingenieure nutzen Anwendungen wie Matlab, um KI-Datensätze zu erweitern, KI-Modelle zu entwickeln, die auf domänenspezifische Aufgaben zugeschnitten sind, diese Modelle in einem systemweiten Kontext umfassend zu testen und automatisiert Code für Embedded Systeme zu generieren.

Darüber hinaus erleichtert KI die Wartung physischer Komponenten, indem sie Lernmodelle mit physikbasierten Simulationen integriert. Diese Kombination ermöglicht es Ingenieuren, Datensätze unter verschiedenen Bedingungen zu generieren und Predictive Maintenance Modelle zu entwickeln, die in Echtzeit auf Edge-Geräten zur Fehlerklassifikation eingesetzt werden können. Virtuelle Sensoren sind eine leistungsstarke KI-Technik, mit der Ingenieure das Verhalten eines physischen Sensors nachahmen können, wenn das betreffende Signal nicht direkt gemessen werden kann oder wenn ein physischer Sensor das Design zu teuer und zu komplex machen würde.

Fazit: Innovation trifft Sicherheit und Qualität

Die Konvergenz von Software-Tools und KI hat das Designen, Steuern und Zertifizieren von Hochleistungssystemen verändert. Ingenieuren steht inzwischen ein breites Feld an Anwendungen zur Verfügung, von Model-Based Engineering-Workflows über KI-gesteuerte Modellierung bis hin zu umfassenden Test- und Verifizierungsprozessen. Richtig eingesetzt und mit den passenden Plattformen ausgestattet, können Ingenieure heutzutage hochwertige, sichere und innovative Systeme entwickeln, die den Anforderungen moderner Anwendungen gerecht werden.