Mit dem Ziel der Entwicklung eines Assistenzsystems für Testingenieur_innen nutzt ASAP maschinelles Lernen und statistische Datenanalyse zur automatisierten Erkennung von Anomalien in Messdaten. Die großen Mengen an Messdaten, die zum Beispiel für die Entwicklung hochautomatisierter Fahrerassistenzfunktionen (FAS) erfasst werden, sollen auf diese Weise möglichst schnell nutzbar gemacht werden.
Für die Validierung von FAS gilt es, alle Messdaten aus verschiedenen Datenquellen (Prüfsysteme, wie Komponenten- und System-HILs, sowie Daten aus realen Fahrversuchen) hinsichtlich Auffälligkeiten auszuwerten. An dieser Stelle setzt das Data Science Tool der ASAP Gruppe an: Mittels statistischer Datenanalyse und maschinellem Lernen werden aus einer solch großen Menge an Trace-Daten automatisch diejenigen identifiziert, die für die Inspektion durch die Testingenieur_innen relevant sind. Das Tool ist dabei nicht auf einen speziellen Anwendungsfall für eine Fahrzeugfunktion festgelegt. Jegliche Steuergeräte-Traces aus HIL- und Fahrzeug-Tests im Bereich der Elektronikentwicklung können künftig mithilfe des Tools zur automatisierten Datenanalyse nach auffälligen Datenpunkten durchsucht werden.
Beim Aufbau der Toolbox kommen Methoden des maschinellen Lernens und der statistischen Datenanalyse zum Einsatz. Durch kontinuierliches Feedback der Anwender wird die zugrundeliegende KI stetig verbessert – und damit auch die intelligente Filterung der Datenpunkte und die für diese abgeleiteten Handlungsempfehlungen. Somit sorgt das von ASAP entwickelte Tool zur automatisierten Anomalie-Erkennung in Messdaten neben der schnelleren Nutzbarmachung der Daten auch für schnelleres Feedback der Testingenieur_innen an die Entwicklerteams der Fachabteilungen. (oe)
