Vorgehensmodell und Methoden zur datengetriebenen Optimierung von Entwicklungsprozessen in der Auslegung crashbelasteter Systeme am Beispiel der passiven Fahrzeugsicherheit

Abstract

In der Fahrzeugentwicklung wird sicherheitsrelevanten Systemen eine hohe Priorität zugewiesen. Die Auslegung dieser – bei Eintritt eines Unfalls – crashbelasteten Systeme ist jedoch komplex und kostenintensiv. Entsprechend werden in dieser Arbeit vier Ansätze erarbeitet, um Entwicklungsprozesse durch Daten und intelligente Methoden zu optimieren. Zur Schaffung bestmöglicher Rahmenbedingungen wird das Vorgehensmodell RAMEn entwickelt, das eine zielgerichtete Prozessintegration neuer und bestehender datengetriebener Methoden realisiert. DrAGOS ist ein Reinforcement-Learning-basierter Optimierungsansatz, der durch Vortraining auf Metamodellen komplexes Systemverhalten innerhalb einer Stunde erlernt und dieses in der Anwendung auf Finite-Elemente-Simulationsmodelle überträgt. Das ermöglicht eine Optimierung in weniger als zehn Schritten sowie den Transfer auf ungesehene Problemstellungen. DAYSi ermöglicht die Analyse von Crashsensorsignalen. Die Erkennung von Abweichungen bildet die Basis für die Rekonstruktion einer Eventkette jedes Datenpunkts. In drei Use Cases konnten Auffälligkeiten und mögliche Ursachen in wenigen Minuten automatisch identifiziert werden. ExPLAIN bezieht sämtliche Datentypen einer Crashsimulation ein, um mittels interpretierbarem Machine Learning relevante Zusammenhänge zu erklären. Anhand von drei Use Cases wird gezeigt, dass neu generierte Einblicke das Verständnis und die Nachvollziehbarkeit bisher intransparenter Prozesse erhöhen. Alle vier Ansätze tragen dazu bei, die Entwicklung neuer Fahrzeuge effizienter, transparenter und wissensbasierter zu gestalten.

In vehicle development, safety-critical systems are assigned as a high priority. However, the design of these systems—subjected to crash loads in the event of an accident—is complex and cost-intensive. Accordingly, this work presents four approaches to optimize development processes through data and intelligent methods. To establish a systematic framework, the RAMEn process model is introduced, enabling the targeted process integration of new and existing data-driven methods. DrAGOS is a reinforcement-learning-based optimization approach that, through pre-training on metamodels, learns complex system behavior within one hour and transfers this knowledge to finite-element simulation models. This enables optimization in fewer than ten steps as well as transfer to previously unseen problems. DAYSi facilitates the analysis of crashsensor signals. The detection of anomalies forms the basis for reconstructing an event chain for each datapoint. Across three use cases, anomalies and potential root causes were automatically identified within minutes. ExPLAIN incorporates all data types of a crash simulation to explain relevant relationships using interpretable machine learning. Three use cases demonstrate that newly generated insights improve understanding and transparency in otherwise black-box processes. Collectively, all four approaches contribute to making the development of new vehicles more efficient, transparent, and knowledge-driven.