RISE

RISE

Redundanzarme Implementierung sicherheitskritischer Funktionen in autonomen Elektrofahrzeugen

RISE

Der typische Ansatz für den Aufbau verteilter Echtzeitsysteme mit höchster Sicherheitsanforderungsstufe zur Garantie der fehlerfreien Ausführung von missionskritischen Funktionen auch bei Daten- oder Komponentenausfall besteht in der Einführung von massiver Systemredundanz, d.h. der Dopplung oder Verdreifachung der kritischen Systemkomponenten.

Projektbeschreibung

Solche Ansätze sind allerdings für den Einsatz in kostensensiblen Märkten wie dem Fahrzeugbau ungeeignet. Trotz exzessiv vieler Elektroniksysteme mit hohem Platz- und Energiebedarf, Gewicht und hohen Kosten bleiben im Schadensfall eines Teilsystems die konkrete Restlaufzeit und damit das Risiko unbekannt. Die Problemstellung des Projekts besteht deshalb in der Schaffung effizienter, skalierbarer und dabei vor allem funktional sicherer, zuverlässiger und fehlertoleranter Elektroniksysteme für die Anwendung in elektrischen autonomen Fahrzeugen, welche ohne die klassische mehrkanalige Redundanzarchitektur oder verwandte Ansätze auskommen.

Im Rahmen des Verbundprojekts befasst sich das Kompetenzfeld Machine Learning mit Fragestellungen hinsichtlich einer vorbeugenden und vorausschauenden Wartung. Der Schwerpunkt liegt dabei darauf, die Entwicklung von Strategien zur Frühwarnung und zum Abschätzen der Restlaufzeit des konkreten Elektroniksystems durch den Einsatz von Methoden des maschinellen Lernens zu unterstützen.

Forschungsbeitrag

Entwicklung von Methoden zum automatischen Erkennen von sich abzeichnenden (Fehler-)Mustern im komplexen Zusammenspiel zwischen dynamischen Systemparametern und Betriebszuständen, Meldungen der Fehlerdetektoren sowie von Umwelteinflüssen (Sensormesswerten) zum Zweck der verbesserten Diagnose, Bewertung, Entscheidung und Kommunikation in andere Systeme.

Projektdauer

01.01.2019–31.12.2021

 Simon Barner

Ihr Ansprechpartner

Simon Barner

+49 89 3603522 22
barner@fortiss.org

Projektpartner

BMWContinental AGElektrobitInfineonFraunhofer ENASChemnitzer Werkstoffmechanik GmbH