Dual-Stream-Architektur kombiniert KI und Physik zur Echtzeit-Fahrzeuggesundheitsüberwachung

Die Echtzeit‑Quantifizierung der Betriebsintensität von Fahrzeugen ist entscheidend für vorausschauende Wartung und Zustandsüberwachung in kommerziellen und Schwerlastflotten. Traditionelle Kennzahlen wie die Laufleistung erfassen die mechanische Belastung nicht ausreichend, während unüberwachte Deep‑Learning‑Modelle statistische Anomalien erkennen, die meist nur kurzzeitige Stoßereignisse darstellen. Diese Modelle verwechseln jedoch häufig stabile Statistiken mit mechanischer Ruhe und übersehen damit hochbelastete, gleichmäßige Betriebszustände wie Bergauffahrten mit schwerem Ladegewicht.

Um dieses Problem zu lösen, wurde eine Dual‑Stream‑Architektur entwickelt, die unüberwachtes Lernen zur Oberflächenanomalieerkennung mit makroskopischen physikalischen Proxy‑Messungen zur kumulativen Belastungsabschätzung kombiniert. Durch die Nutzung von Niedrigfrequenz‑Sensordaten erzeugt die Architektur einen mehrdimensionalen Gesundheitsvektor, der zwischen dynamischen Gefahren und anhaltender mechanischer Belastung unterscheidet.

Die Validierung auf einer RISC‑V‑Einbettungshardware zeigte, dass die Architektur einen geringen Rechenaufwand verursacht und damit umfassende, kantenbasierte Gesundheitsüberwachung auf ressourcenbeschränkten Steuergeräten ermöglicht. Dabei entstehen weder Latenz- noch Bandbreitenkosten, die bei cloudbasierten Lösungen üblich sind.