Methodik

Diese Seite beschreibt die geplante Methodik des Verbundvorhabens LOAD-ENCODE in der Fachsprache der Projektskizze.

Zur StartseiteMitwirken

1. Auslegungsgleichgewicht
2. Heutige Praxis der Lastdaten
3. Der Datensatz je Fahrzeug
4. Flottenmodell und Synthese
5. Drei Ebenen der KI
6. Verlässlichkeit und Prüfung
7. Vertrauensgrenzen und Datenschutz
8. Austauschformat
9. Vier Forschungsfragen
10. Was das Vorhaben nicht tut
11. Vorarbeiten
12. Häufige Fachfragen
13. Glossar
14. Literatur

1 Auslegungsgleichgewicht

Jede Auslegung hält zwischen der Beanspruchung aus der Kundennutzung und der Bauteilfestigkeit einen Abstand ein (Li et al., 2024). Ihn sichert ein Sicherheitsfaktor (Sicherheitszuschlag) ab, der additive und multiplikative Reserven umfasst; auf der Startseite heißen die beiden Seiten des Gleichgewichts Last und Belastbarkeit. Das Vorhaben nimmt an, dass der Sicherheitsfaktor umso kleiner ausfallen kann, je genauer die Nutzung bekannt ist, und prüft diese Annahme an zwei Erprobungslinien. Große Kundenstichproben sind kaum zu erheben (Li et al., 2024), und die Spreizung aus Produktionsstreuung und Alterung (Baumhöfer et al., 2014) liegt für die Auslegung meist nicht als Flottenverteilung vor.

2 Heutige Praxis der Lastdaten

Steuergerät und Erprobung klassieren Belastungsgrößen heute meist einzeln, etwa zu Rainflow-Matrizen nach DIN 45667-2:2025, und Messdatenformate wie MDF legen Daten je Kanal ab. Verbundverfahren der früheren DIN 45667 zählten zwei Größen gemeinsam. Hersteller verdichten Flottendaten zu Auslegungszielen, etwa zu einem Fahrzeug, das nur ein kleiner Anteil der Flotte übertrifft (Li et al., 2024; Ling, 2023). Verloren gehen dabei die gemeinsame Abhängigkeit mehrerer Größen, seltene gemeinsame Extremwerte und die Abfolge der Betriebszustände.

3 Der Datensatz je Fahrzeug

Der geplante Datensatz soll Randverteilungen jeder Größe, Copula-Parameter in einem Baum fester Struktur und den Adaptionszustand eines eingefrorenen, vortrainierten Basismodells enthalten. Eine Copula beschreibt, wie mehrere Größen zusammenhängen, getrennt davon, wie jede einzelne verteilt ist; eine Vine-Copula zerlegt die Abhängigkeit vieler Größen in Paar-Copulas, die in einer Folge von Bäumen angeordnet sind (Aas et al., 2009). Copula-Modelle haben in der Literatur den Fehler von Belastungskollektiven gegenüber der Annahme unabhängiger Größen gesenkt (Na et al., 2026). Im Vorhaben berücksichtigen die Copula-Parameter auch Regimewechsel zwischen Betriebszuständen. Die Struktur des Baums wird vorab festgelegt und als ladbare Konfiguration eingefroren; fortgeschrieben werden nur die Parameter. Den Adaptionszustand setzt ein kleines Adaptionsnetz ohne Gradiententraining. Der statistische Kanal hält gemeinsame Belastung, Extremwerte und Regimewechsel fest, der dynamische Kanal Streuung und Alterung; welcher Kanal die Auslegung besser trägt, ist eine Forschungsfrage.

4 Flottenmodell und Synthese

Auf dem Server des Dateninhabers sollen die Datensätze mit Revision, Beobachtungsfenster und Schätzart das Flottenmodell bilden. Den Datenraum bilden die Server der Dateninhaber ohne eigenen Betreiber, mit einer Datenbank je Dateninhaber und festgehaltenem Datenstand. Ein Generator erzeugt daraus einen synthetischen, repräsentativen Kunden für ein gewähltes Perzentil, Repräsentativkunden je Gruppe ähnlicher Nutzung sowie Testprofile und Abnahmekriterien aus realen Betriebspunkten. Weil einzelne Maße Wiedergabetreue und Vielfalt synthetischer Daten nicht trennen, prüft das Vorhaben beide getrennt und an zurückgehaltenen Realdaten (Yoon et al., 2019; Alaa et al., 2022; Stenger et al., 2025).

5 Drei Ebenen der KI

Ein gemeinsamer Graph-Encoder soll aus den Graphen der Datensätze lernen; drei Köpfe sollen Eingänge der Fachwerkzeuge liefern: Nutzungsgruppen, die Ergänzung fehlender Randverteilungen und Kanten sowie Belastungskombinationen ohne Prüfabdeckung. Gelernt wird durch Vortraining auf maskierten Profilmerkmalen, Abstimmung auf Beanspruchungen aus validierter Simulation, Ergänzung ausgeblendeter Teile und an der Abdeckungsrechnung der Trainingsfahrzeuge. Der Graph kann trotz fester Struktur helfen, weil Signale und Teiläste je Fahrzeug fehlen können, jede Kante Familie, Parameter und Bedingung ihrer Paar-Copula trägt und dasselbe Netz über die ganze Flotte lernt. Graphbasierte Netze sind als Ersatzmodelle in der Auslegung beschrieben (Bayat et al., 2026; Feng et al., 2026); auf Tabellendaten mittlerer Größe sind Baumverfahren aber oft überlegen. Ob der Encoder mehr lernt als ein Parametervektor mit Baumverfahren, ist deshalb offen.

Die Zahl der Entscheidung rechnen geprüfte Fachwerkzeuge: Ein Generator synthetisiert Belastungen für die Zielpopulation, und ein vortrainiertes Basismodell der Systemklasse BEV-Antriebsstrang mit gekoppelten Teilmodellen für Batterie, Thermomanagement und E-Maschine übersetzt sie in Beanspruchungen der Komponenten. Das Basismodell lernt auf Simulationsdaten mit variierter Streuung und Alterung und wird danach eingefroren; es ist auf diese Systemklasse beschränkt und hat keinen allgemeinen Verwendungszweck. Jedes Werkzeug hat einen Aufrufvertrag mit Eingaben, Ausgaben, Datenstand und Entscheidungsregel, der an kein Protokoll und keine Plattform gebunden ist.

Ein vorhandener Agent auf Basis großer Sprachmodelle nimmt die Frage in den Werkzeugen der Anwender auf, ruft die Fachwerkzeuge auf und erklärt das Ergebnis, ohne selbst zu rechnen. Sprachmodelle, die Datenbanken abfragen oder mit Graphmodellen gekoppelt sind, sind beschrieben; keines liefert nach der Recherche des Antragsteams eine nachgerechnete Auslegungsgröße mit Unsicherheit, Herkunft und Gültigkeitsgrenze.

6 Verlässlichkeit und Prüfung

Unsicherheiten sollen als Intervalle erscheinen, die mit Conformal Prediction am Testdatensatz geprüft sind; Fälle außerhalb der Verteilung entscheiden Fachanwender. Eine Antwortprüfung gleicht jede Zahl, Einheit und Grenze der Erklärung mit der Rückgabe des Werkzeugs ab. Im Fahrzeug wird nicht trainiert; die Adaption ist deterministisch prüfbar und begrenzt, und bei Drift gelten nominale Zustände. Synthetische Daten werden mit einer Prüfung auf Datenlecks und mit nach Fahrzeug, Zeit und Kampagne getrennten Aufteilungen bewertet; der Realtest an zurückgehaltenen Daten erfolgt einmal.

7 Vertrauensgrenzen und Datenschutz

Kodiert werden soll an der Vertrauensgrenze: im Fahrzeug, wo Daten es nicht verlassen dürfen oder können, sonst beim Dateninhaber. Am ersten Übertritt prüft der Dateninhaber die Rechte, und ein Pseudonym ersetzt die Fahrzeugkennung. Zum Partner geht nur ein Teilprofil nach Need-to-know, etwa Teilbäume der Vine-Struktur; Konnektoren sollen die vereinbarten Nutzungsrichtlinien technisch durchsetzen. Kompaktheit allein schützt nicht: Aggregierte Statistiken können die Teilnahme Einzelner verraten (Homer et al., 2008), und die Statistik eines Bremspedalsignals kann Fahrer erkennbar machen (Enev et al., 2016). Datensätze, Copula-Parameter und Adaptionszustände gelten deshalb als pseudonyme personenbezogene Daten; vor jeder Freigabe prüfen Angriffe auf Mitgliedschaft, Attribute, Rekonstruktion und Eindeutigkeit, was sich zurückschließen lässt. Sichere Aggregation verbirgt Einzelbeiträge, und verteilte Differential Privacy kann die Genauigkeit zentraler Verfahren erreichen (Bonawitz et al., 2017; Kairouz et al., 2021). Nach der Recherche des Antragsteams ist kein Verfahren beschrieben, das Copula-Modelle einander nicht vertrauender Dateninhaber mit nachgewiesenem Erhalt der Abhängigkeitsstruktur zusammenführt. Das Vorhaben misst deshalb, wie stark der Schutz die Abbildung gemeinsamer Extremwerte verändert; reicht die Genauigkeit nicht, bleiben Flottenmodelle je Dateninhaber.

8 Austauschformat

Die Formate MDF und ODS legen Klassiermatrizen je Messkanal ab, gemeinsame Verteilungen mehrerer Größen aber nicht als gemeinsames Profil. Das Vorhaben will deshalb ein kompatibles Profil entwickeln, dessen Schema dem Baum des Datensatzes entspricht, mit einer Mappingtabelle zu bestehenden Formaten. Nutzungsbedingungen und Herkunft werden maschinenlesbar mitgeführt. Eine Einbringung in Normungsgremien ist geplant; die Abstimmung steht aus.

9 Vier Forschungsfragen

Die vier Fragen prüfen je ein Glied der Kette gegen faire, einfache Vergleiche; sonst entscheidet das einfachere Verfahren. Forschungsfrage 1 betrifft den Datensatz: Welche Information über gemeinsame Extremwerte und die Abfolge der Betriebszustände muss er erhalten, damit die Auslegungsgröße stimmt, und gelingt das auch, wenn das Steuergerät ihn berechnet? Ohne belastbaren Gewinn gilt der einfache Generator mit Gültigkeitsgrenze. Forschungsfrage 2 prüft, ob das Netz mehr lernt als einfache Modelle aus derselben Information; im dynamischen Kanal tritt das Basismodell mit Adaptionszustand gegen ein nachtrainiertes Standard-LSTM, ein Ersatzschaltbild mit Kalman-Filter und ein kontextkonditioniertes Dynamikmodell an. Forschungsfrage 3 prüft die Wirkungskette bis zur Entscheidung: Trifft die Kette die vorab benannte Größe so viel besser, dass sich die Entscheidung ändert und Zeit, Prüfaufwand oder Fehlerrisiko sinken? Gemessen werden Schätzfehler, Abdeckung und Zeit bis zur Entscheidung, auch ohne Netz und Agent. Forschungsfrage 4 fragt, welcher Teil der Kette den Wechsel zwischen den Erprobungslinien übersteht. Zielgrößen und Mindestverbesserungen legen die Anwender vorab fest.

10 Was das Vorhaben nicht tut

Predictive Maintenance, Restlebensdauer und Einsatzoptimierung sind ausgeschlossen; Zustandsgrößen einzelner Fahrzeuge gehen nur als Flottenverteilung ein. Das Vorhaben entwickelt keine Sprachmodelle und kein Modell mit allgemeinem Verwendungszweck. Es entwickelt keine Telemetrie. Ein Wissensgraph aus Anforderungen, Tests und Dokumenten ist für eine mögliche zweite Phase vorgesehen. Eine Serienfreigabe folgt erst nach dem Vorhaben.

11 Vorarbeiten

Die Hochschule Esslingen bringt Vorarbeiten aus industriell geförderten Vorhaben der Jahre 2021 bis 2025 ein, die Simulation und Versuch für Entwicklung, Absicherung und Kalibrierung von Triebstrang-Betriebsstrategien verbinden. Dazu gehören die Veröffentlichungen der Off-Car-Linie (Martini et al., 2022; 2024; 2025).

Nach Abstimmung Arbeiten der Universität Stuttgart zu LSTM-Komponentenmodellen aus Realfahrdaten (Hagenbucher et al., 2023a, 2023b), zu einem Motormodell für die Echtzeitoptimierung (Frey et al., 2025) und zu kompakten Autoencodern für die Sensordiagnose elektrischer Antriebe (Sautter et al., 2025).

Die Vorarbeiten belegen Datenaufbereitung, simulationsgestützte Entwicklung und Validierung in den dokumentierten Grenzen; die domänenspezifische KI-Gesamtkette und der Nutzen von Graph- und Syntheseverfahren sind Gegenstand des Vorhabens.

12 Häufige Fachfragen

13 Glossar

Auslegungs- und Testentscheidung

Festlegung, wie ein Bauteil bemessen oder womit es geprüft wird, etwa Kühlleistung, Reserve oder Testprofil.

Last und Belastbarkeit (Beanspruchung und Festigkeit)

Last ist, was die Nutzung einem Bauteil abverlangt; Belastbarkeit ist, was Werkstoff und Bauteil ertragen. Die Auslegung hält zwischen beiden einen Abstand.

Sicherheitsfaktor (Sicherheitszuschlag)

Reserve zwischen Last und Belastbarkeit, die Unsicherheit über Nutzung, Fertigung und Alterung abdeckt.

Belastungskollektiv

Häufigkeitsverteilung der Belastungen, die ein Bauteil über seine Nutzung erfährt.

Rainflow-Matrix

Klassierung eines Signals in Schwingspiele nach Amplitude und Mittelwert, genormt in DIN 45667-2.

Randverteilung

Verteilung einer einzelnen Größe, ohne Blick auf die übrigen.

Copula

Funktion, die beschreibt, wie mehrere Größen zusammenhängen, getrennt davon, wie jede einzelne verteilt ist.

Vine-Copula

Zerlegung der Abhängigkeit vieler Größen in Paar-Copulas, die in einer Folge von Bäumen angeordnet sind (Aas et al., 2009).

Paar-Copula

Copula zweier Größen, gegebenenfalls unter der Bedingung weiterer Größen; Baustein einer Vine-Copula.

Regimewechsel

Wechsel zwischen Betriebszuständen mit jeweils eigener Abhängigkeit der Größen.

Datensatz je Fahrzeug

Geplantes kompaktes Profil eines Fahrzeugs aus Randverteilungen, Copula-Parametern in einem Baum fester Struktur und dem Adaptionszustand eines Basismodells.

Flottenmodell

Zusammenführung der Datensätze vieler Fahrzeuge eines Dateninhabers, aus der sich Repräsentativkunden und Testprofile erzeugen lassen.

Repräsentativkunde

Ein synthetischer Kunde, dessen Nutzung für ein gewähltes Perzentil der Flotte steht und in dem die Kopplung der Größen erhalten bleibt.

Perzentil

Wert, unter dem ein gewählter Anteil der Flotte liegt; das 90. Perzentil trennt die zehn Prozent stärksten Nutzungen ab.

Vertrauensgrenze

Grenze zwischen Fahrzeug, Dateninhaber und Anwender, die Daten nur nach Prüfung und Freigabe überschreiten.

Dateninhaber

Organisation, die über Fahrzeugdaten verfügt und über ihre Weitergabe entscheidet.

Teilprofil nach Need-to-know

Ausschnitt eines Profils, etwa Teilbäume der Vine-Struktur, den ein Partner für seine Aufgabe braucht.

Graphbasiertes neuronales Netz

Netz, das auf Graphen lernt, hier auf dem Baum des Datensatzes, dessen Kanten Paar-Copulas tragen.

Vortrainiertes Basismodell

Auf Simulationsdaten trainiertes und danach eingefrorenes Modell der Systemklasse BEV-Antriebsstrang, das Belastungen in Beanspruchungen der Komponenten übersetzt.

Adaptionszustand

Kleiner Satz von Werten, mit dem das eingefrorene Basismodell an ein Fahrzeug angepasst wird, ohne Gradiententraining.

Fachwerkzeug

Geprüftes Rechenwerkzeug mit festgelegten Ein- und Ausgaben, das eine Auslegungsgröße berechnet.

Aufrufvertrag

Beschreibung von Eingaben, Ausgaben, Datenstand und Entscheidungsregel eines Fachwerkzeugs, an kein Protokoll und keine Plattform gebunden.

Agent

Programm auf Basis großer Sprachmodelle, das Fragen aufnimmt, Fachwerkzeuge aufruft und das Ergebnis erklärt, ohne selbst zu rechnen.

Gültigkeitsgrenze

Bereich, für den ein Ergebnis belegt ist; außerhalb gibt das Fachwerkzeug keine Zahl aus.

Antwortprüfung

Abgleich jeder Zahl, Einheit und Grenze einer Erklärung mit der Rückgabe des Fachwerkzeugs.

Conformal Prediction

Verfahren, das Vorhersageintervalle liefert, deren Abdeckung an Testdaten geprüft ist.

Differential Privacy

Zusicherung, dass ein Ergebnis kaum davon abhängt, ob die Daten eines Einzelnen enthalten sind.

Sichere Aggregation

Verfahren, bei dem nur die Summe vieler Beiträge sichtbar wird, nicht der einzelne Beitrag (Bonawitz et al., 2017).

Kompatibles Profil

Geplantes Austauschformat, dessen Schema dem Baum des Datensatzes entspricht, mit Zuordnung zu bestehenden Formaten.

Data-Driven Engineering

Auslegung und Erprobung, die sich auf gemessene Nutzung stützen statt auf pauschale Zuschläge.

AI-Native Fleet Intelligence

Flottenwissen aus Datensätzen, die von Anfang an so gebaut sind, dass eine KI auf ihnen lernen kann; hier der Datensatz je Fahrzeug und das Flottenmodell.

Decision Support System

System, das eine Entscheidung mit Daten, Rechnung und Unsicherheit vorbereitet; die Entscheidung treffen Menschen.

Closed-Loop Engineering

Rückführung dessen, was Fahrzeuge im Betrieb erleben, in die Auslegung und Erprobung der nächsten Generation.

Collective Intelligence

Wissen, das aus den Beiträgen vieler Dateninhaber entsteht, ohne dass einer seine Rohdaten abgibt; im Vorhaben eine Forschungsfrage.

14 Literatur

• Aas, Czado, Frigessi, Bakken (2009), Insurance: Mathematics and Economics 44(2), 182–198 – Vine-Copula
• Alaa et al. (2022) – Prüfmaße synthetischer Daten
• Baumhöfer et al. (2014) – Produktionsstreuung, Alterung
• Bayat et al. (2026) – GNN als Ersatzmodell
• Bonawitz et al. (2017) – sichere Aggregation
• DIN 45667-2:2025 – Rainflow-Klassierung
• Eckert et al. (2020), Design Science 6, e30 – Reserven
• Enev et al. (2016) – Rückschluss auf Fahrer
• Feng et al. (2026) – ThermGNN
• Frey et al. (2025), SAE 2025-01-8397 – Vorarbeit Universität Stuttgart
• Hagenbucher et al. (2023a, 2023b) – Vorarbeit Universität Stuttgart
• Homer et al. (2008) – Teilnahme an Aggregaten
• Kairouz et al. (2021) – verteilte Differential Privacy
• Li et al. (2024), World Electric Vehicle Journal 15(3) – Auslegungsgleichgewicht
• Ling (2023), IEEE OJITS 4 – Flottenauswertung
• Martini (2026), DOI 10.1007/978-3-658-52931-4 – Vorarbeit
• Martini et al. (2022; 2024; 2025) – Vorarbeit
• Martini et al. (2025), DOI 10.4271/2025-01-0521 – Vorarbeit
• Mieth et al. (2022), Vehicles 4 – Kundenkollektive
• Na et al. (2026) – Copula-Lastkollektiv
• Sautter et al. (2025), IEEE CAI – Vorarbeit Universität Stuttgart
• Stenger et al. (2025) – Prüfmaße synthetischer Daten
• Tahera et al. (2019), Research in Engineering Design 30 – Varianten, Tests
• Yoon et al. (2019) – synthetische Zeitreihen

Zur Startseite