Diagnostic automobile tout au long du cycle de vie du véhicule : services de diagnostic basés sur le cloud

Dans l'article technique intitulé « Étalonnage efficace et automatisé grâce à une chaîne d'outils basée sur le cloud », Thorsten Huber et Suresh Sivavarman expliquent comment une solution logicielle intégrée et automatisée peut optimiser en profondeur le processus d'étalonnage.

Un flux de travail fluide dans le cloud

Pour calibrer efficacement les véhicules modernes, il est nécessaire de transférer les différentes étapes du processus vers un environnement basé sur le cloud. L'objectif est de créer un flux de travail automatisé et continu qui englobe l'ensemble du processus, du traitement des données brutes de mesure à l'optimisation des fonctions des calculateurs. Cela permet aux ingénieurs automobiles de dépasser les limites des méthodes traditionnelles.

• Traitement automatisé des données : les nouvelles données de mesure sont automatiquement transférées dans le cloud et traitées par le logiciel Data Operator d'ETAS. Ce logiciel regroupe les données brutes provenant de diverses sources, les harmonise, ajuste les fréquences d'échantillonnage, filtre les informations non pertinentes et les convertit en formats standardisés tels que MF4. Cela évite tout prétraitement manuel sur les ordinateurs locaux tout en établissant une base de données cohérente.

• Analyse basée sur les événements et génération de rapports : des outils tels que l'ETAS Analytics Toolbox (EATB) analysent automatiquement les données, en recherchant des événements et des conditions spécifiques. Les segments de données identifiés sont utilisés pour les étapes de traitement suivantes et consignés dans des rapports standardisés. Cela garantit un processus d'évaluation structuré et des résultats traçables.

• Optimisation automatisée de l'étalonnage assistée par l'apprentissage automatique (ML) : les données pertinentes sont transférées vers l'outil ETAS ASCMO-MOCA afin de permettre la modélisation et l'optimisation du système à partir de ces données. L'outil exécute un processus d'optimisation automatisé, calcule des jeux de paramètres améliorés et stocke les résultats sous forme de nouveaux enregistrements de données d'étalonnage. Grâce à des algorithmes d'apprentissage automatique (ML), il est possible de créer des modèles précis à partir d'un nombre réduit de points de données. Sur la base de ces modèles, des étalonnages optimaux peuvent être déterminés de manière efficace. La validation s'effectue ensuite dans un environnement virtuel à l'aide d'outils tels que EHANDBOOK ou Measure Data Analyzer(MDA). L'ensemble du processus peut être automatisé pour s'exécuter pendant la nuit, ce qui permet aux ingénieurs de disposer dès le lendemain matin d'un rapport complet et des résultats optimisés.

Une solution pérenne pour le développement de véhicules à conduite autonome (SDV)

L'étalonnage des software-defined vehicles nécessite une refonte en profondeur, car les approches traditionnelles basées sur PC ne parviennent plus à suivre le rythme de l'augmentation des volumes de données et de la complexité croissante des systèmes. L'avenir réside dans une chaîne d'outils de bout en bout, basée sur le cloud et axée sur les données, qui couvre l'ensemble du processus de développement. Cette approche intégrée combine le traitement automatisé des données, l'analyse évolutive et la modélisation basée sur l'apprentissage automatique au sein d'un flux de travail continu. Grâce à la simulation et aux jumeaux numériques, ainsi qu’à une orchestration flexible entre l’exécution locale et celle dans le cloud, les équipes de développement peuvent travailler plus efficacement, raccourcir les cycles de développement et améliorer durablement la qualité de l’étalonnage. Cela permet d’exploiter efficacement de grands volumes de données et de les transformer en un avantage stratégique pour le développement de software-defined vehicles.

Télécharger l'article