Physikgestützte KI-Kalibrierung: Die neuen Regeln für den Erfolg von Steuergeräten

Fragt man einen Kalibrierungsingenieur in der Automobilbranche, was seinen Terminkalender blockiert, wird die Prüfstandszelle nicht der Engpass sein – die eigentliche Belastung kommt erst danach. Es sind die Stunden, die man damit verbringt, über Drehzahl-Druck-Diagramme gebeugt zu sitzen, Messdaten von Hand zu glätten, sie mit den physikalischen Grenzen abzugleichen und Tabellen so lange neu zu berechnen, bis sie für das Flashen bereit sind. 

Für Motorprogramme, die gegen immer strengere Emissionsziele, Hybridisierungsfristen und immer kürzer werdende Entwicklungszeitfenster antreten, ist der manuelle Übersetzungsschritt still und leise zu einem der teuersten Teile des Prozesses geworden. Genau dieses Problem soll ein KI-gesteuerter Kalibrierungs-Workflow lösen – nicht, indem er das Urteilsvermögen des Ingenieurs ersetzt, sondern indem er die Distanz zwischen den rohen Prüfstanddaten und einer validierten, einsatzfähigen ECU-Kennlinie verkürzt.

Von rohen Messdaten zu flash-fertigen Tabellen

Der Arbeitsablauf beginnt dort, wo jedes Kalibrierungsprogramm beginnt – mit strukturierten technischen Eingaben. Eine Motorspezifikationsdatei liefert die Grundlagen – Zylinderanzahl, Hubraum –, die zur Ableitung wichtiger Kennwerte wie des volumetrischen Wirkungsgrads benötigt werden. Die Kalibrierungsdatenvorlage definiert wiederum das Drehzahl-MAP-Punktgitter, an das sich die endgültigen Tabellen anpassen müssen. Und Rohdaten aus dem Prüfstand – Motordrehzahl, Ladeluftdruck, Luftmassendurchfluss, Drehmoment – bilden das experimentelle Rückgrat. Das Datenwörterbuch, das auf Kalibrierungsrichtlinien und Fachwissen basiert, stellt sicher, dass jede Ausgabe an technische Standards gebunden ist und nicht auf statistischen Vermutungen beruht.

Bevor jedoch irgendetwas kalibriert wird, bietet die Plattform den Ingenieuren die Möglichkeit, die hochgeladenen Daten vorab zu überprüfen – eine einfache, aber wichtige Sicherheitsmaßnahme gegen Eingabefehler, die sich unbemerkt in fehlerhafte Tabellen weiterverbreiten können. Erst dann erfolgt die Ausführung. Das System wendet physikalisch fundierte Geschwindigkeits-Dichte-Thermodynamik an, um das Verhalten des Luftsystems und des Drehmoments zu modellieren, und ergänzt dies anschließend durch Techniken des maschinellen Lernens – RBF-Spline-Glättung und isotonische Regression –, um Kalibrierungsflächen zu generieren, die sowohl datengenau sind als auch mathematisch auf Fahrbarkeit ausgelegt sind.

Bei dieser Kombination handelt es sich nicht um ein Black-Box-Modell, das Kurven an verrauschte Prüfstanddaten anpasst und darauf hofft, dass das Ergebnis funktioniert. Vielmehr wird jede Ausgabe zunächst an etablierte thermodynamische Zusammenhänge geknüpft, wobei maschinelles Lernen dabei hilft, innerhalb dieser physikalischen Grenzen zu glätten und zu interpolieren, ohne diese zu überschreiten.

Was am anderen Ende herauskommt

Das Ergebnis ist hier keine einzelne Zahl oder eine statische Tabelle, sondern ein vollständiges Engineering-Paket, bestehend aus:

• Flash-fähige ECU-Tabellen (Excel/CSV), vollständig formatiert über mehrere Kalibrierungsparameter hinweg und an das definierte Drehzahl-MAP-Raster angepasst,
• hochauflösende 3D-Visualisierungen (PNG), bei denen geglättete Kalibrierungsflächen über die Rohdaten der Prüfstandsmessungen gelegt werden, um eine schnelle visuelle Validierung zu ermöglichen, sowie
• interaktive 3D-Modelle (HTML), mit denen Ingenieure Werte über den gesamten Drehzahl-MAP-Bereich hinweg untersuchen können, um eine gründlichere Validierung durchzuführen.

Über alle diese Ausgabemöglichkeiten hinweg unterstützt das System ein breites Spektrum an Kalibrierungsparametern – unter anderem Luftladung und volumetrischer Wirkungsgrad, Motordrehmoment (MBT), Drehmoment und Last als Funktionen des MAP-Werts, Basis-Zündzeitpunkttabellen, vom Fahrer geforderte Drehmoment- und Lastbefehle, Einlass-/Auslassnockenwellenverstellung, Ventilüberlappung, Restfraktion, Ladeluft-Temperatur und Abgasgegendruck. Jeder dieser Parameter wird direkt aus dem experimentellen Datensatz generiert und auf dasselbe Kalibrierungsraster beschränkt, sodass die Tabellen intern miteinander konsistent bleiben und nicht nur einzeln plausibel sind.

Warum der „Physics-First“-Ansatz wichtig ist

Es wäre einfach, eine Version davon zu entwickeln, die sich vollständig auf maschinelles Lernen stützt – man gibt genügend Prüfstandsmessreihen ein, lässt ein Modell interpolieren und nennt das dann Kalibrierung. Der Grund, warum dieser Ansatz in der Praxis nicht funktioniert, liegt darin, dass ECU-Tabellen mehr sind als nur Datenanpassungen; sie sind vielmehr für die Sicherheit und das Fahrverhalten entscheidende Komponenten. Eine Kurve, die statistisch glatt aussieht, aber gegen eine physikalische Beschränkung verstößt, kann daher zu einem unruhigen Leerlauf, einem schlechten Transientenverhalten oder noch Schlimmerem führen.

Indem das Modell vor jeder Glättung auf der Speed-Density-Thermodynamik basiert, stellt die Plattform sicher, dass die Kalibrierungsergebnisse physikalisch fundiert bleiben, auch wenn sie auf Konsistenz optimiert werden. Standardisierte Kalibrierungsvorlagen sorgen für eine zusätzliche Ebene der Disziplin und gewährleisten, dass die Ergebnisse über verschiedene Motorprogramme hinweg vergleichbar bleiben, anstatt das Raster jedes Mal neu zu erfinden.

Wo dies zum Einsatz kommt

Dieser physikalisch verankerte, ML-gestützte Ansatz zur Kalibrierung ist ein direkter Ausdruck dessen, was „Engineering Intelligence“ ausmacht – nämlich das Skalieren von Fachwissen, das historisch gesehen in den Händen der Ingenieure lag, und dessen Kodierung in ein flexibles System der nächsten Generation. Er befindet sich an der Schnittstelle zwischen Engineering-KI und physikalischer KI – dabei wird KI nicht dazu genutzt, das ingenieurwissenschaftliche Urteilsvermögen zu abstrahieren, sondern es schneller operationalisierbar zu machen, wobei die physikalischen Leitplanken weiterhin bestehen bleiben.

Ein Beispiel hierfür aus der Praxis istPLxAI, eine KI-Kalibrierungsassistenzplattform, die genau auf diesen Arbeitsablauf ausgelegt ist – strukturierte DOE-Eingaben, physikalisch basierte Modellierung, ML-basierte Glättung und ein validiertes, sofort einsatzbereites Ausgabepaket.

Das große Ganze

Frühe Implementierungen dieses Arbeitsablaufs deuten auf erhebliche Zeitersparnisse im Vergleich zur vollständig manuellen Kalibrierung hin – wodurch ein traditionell arbeitsintensiver, iterativer Prozess zu einer strukturierten, wiederholbaren Pipeline verfeinert wird. Da Motorprogramme immer komplexer werden – mehr Varianten, engere Emissionsgrenzwerte, auf bestehende Plattformen aufgesetzte Hybridarchitekturen –, nimmt der Umfang der Kalibrierungsarbeit nicht ab, sondern es verändert sich vielmehr, inwieweit diese von manuellen, einmaligen Aufwänden pro Programm abhängt.

Und die physikgestützte KI-Kalibrierung ist eine Antwort auf diesen Wandel – kein Ersatz für das Fachwissen des Kalibrierungsingenieurs, sondern eine Möglichkeit, dieses Fachwissen in ein System zu integrieren, das mit dem rasanten Tempo der Motorenentwicklung selbst Schritt halten kann.