Automobil-Datenerfassung und -analyse: Die Coinv-Technologie erklärt

<Zurück zu Datenerfassungs-Toolchain

Kurzantwort
Die Datenerfassung und -analyse im Automobilbereich umfasst das Sammeln und Analysieren von Echtzeit-Fahrzeugsignalen – wie Vibrationen, Geräusche, Temperatur, Stromstärke und Geschwindigkeit –, um das Fahrverhalten unter realen Fahrbedingungen zu verstehen. Coinv-Systeme ermöglichen dies durch die Erfassung synchronisierter, hochfrequenter Daten aus verschiedenen Systemen.

---

• Erfasst reale Fahrzeugsignale in Bewegung
• Unterstützt synchronisierte Mehrkanaldaten
• Wird in Elektrofahrzeugsystemen, NVH-Tests und Diagnosen eingesetzt.
• Kombiniert Onboard-Verarbeitung mit Cloud-Analyse
• Hilft Ingenieuren, die Leistung zu verbessern und Ausfälle zu reduzieren.

---

Warum die dynamische Signalanalyse in modernen Fahrzeugen wichtig ist

Fahrzeuge verkehren heutzutage nicht unter stabilen Bedingungen. Alles verändert sich – Geschwindigkeit, Last, Temperatur, Straßenbeschaffenheit.

Wer nur statische Daten betrachtet, verpasst das, was tatsächlich auf der Straße passiert.

Ich habe einen Fall erlebt, in dem ein Problem mit dem Antriebsstrang in Labortests nicht gefunden werden konnte. Nachdem wir Vibrationen und Drehmoment während der realen Fahrt gleichzeitig aufgezeichnet hatten, trat die Ursache sofort zutage.

Genau diese Lücke schließt die dynamische Signalanalyse.

---

Was ist Datenerfassung und -analyse im Automobilbereich?

In der Praxis geht es darum, physikalisches Verhalten in nutzbare Daten umzuwandeln.

Ein modernes System sammelt:

• mechanische Signale (Schwingung, Geschwindigkeit, Drehmoment)
• elektrische Signale (Strom, Spannung)
• thermische Signale (Temperatur)

Coinv-Systeme durchlaufen einen vollständigen Kreislauf:

erfassen → übertragen → verarbeiten → analysieren → anwenden

Der Unterschied zu älteren Systemen besteht in der Fokussierung auf zeitkritische Signale—Dinge, die sich schnell verändern und sich nicht vorhersehbar wiederholen.

---

Funktionsweise von Datenerfassungssystemen in der Automobilindustrie

Datenerfassungsschicht (Sensoren & Hardware)

Alles beginnt mit Sensoren.

Eine typische Konfiguration umfasst:

• Beschleunigungsmesser für Vibrationen
• Mikrofone für Geräusche
• Temperatursensoren
• Drucksensoren
• Stromsensoren
• Geschwindigkeitssensoren

Sensoren allein genügen jedoch nicht.

Signalaufbereitungsgriffe:

• Verstärkung
• Filterung
• Isolierung

Ohne diesen Schritt können Störungen durch das Fahrzeug selbst die Daten verfälschen.

---

Datenübertragungsschicht

Die Datenübertragung vom Fahrzeug zu den Verarbeitungssystemen erfolgt auf zwei Wegen:

Kabelgebundene Systeme

• DÜRFEN
• Ethernet
• RS485

Diese sind stabil und werden in Laboraufbauten verwendet.

Drahtlose Systeme

• 4G / 5G
• W-lan
• Bluetooth

Diese werden bei Straßentests verwendet.

Moderne Systeme beinhalten oft eine integrierte Datenverarbeitung, um die Menge der zu sendenden Daten zu reduzieren.

---

Datenverarbeitungsschicht

Die Rohdaten sind noch nicht zur Analyse bereit.

Es muss gereinigt und ausgerichtet werden:

• Rauschfilterung (Kalman, Wavelet)
• Kalibrierung unter Verwendung von Sensorparametern
• Zeitsynchronisation über alle Kanäle hinweg
• Komprimierung zur Reduzierung der Speicherlast

Selbst geringfügige Zeitunterschiede zwischen den Kanälen können die Analyse beeinträchtigen.

---

Datenanalyseschicht

Hier lernen Ingenieure tatsächlich etwas.

Gängige Methoden:

• Zeitbereich (Spitzenwert, Effektivwert, Kurtosis)
• Frequenzbereich (FFT, Spektrum)
• Zeit-Frequenz (Wavelet, STFT)

Maschinelles Lernen wird auch verwendet, um:

• Fehler klassifizieren
• Muster erkennen
• Ausfälle vorhersagen

---

Anwendungsschicht

Der letzte Schritt besteht in der Nutzung der Ergebnisse.

Dies umfasst:

• Verbesserung der Systemleistung
• Fehlererkennung
• Anpassung der Kontrollparameter
• Speicherung der Testdaten zur späteren Verwendung

---

Schlüsseltechnologien hinter der hochpräzisen Datenerfassung

Mehrkanal-Synchronisation

Die Signale müssen zeitlich übereinstimmen.

Zum Beispiel:

• Vibration im Verhältnis zur Motordrehzahl
• Stromstärke in Abhängigkeit von der Temperatur

Coinv-Systeme verwenden:

• PTP-Synchronisierung
• Hardware-Trigger

Die Genauigkeit erreicht Mikrosekunden.

Ohne dies gehen Ursache-Wirkungs-Zusammenhänge verloren.

---

Störungsfreies Design

Fahrzeuge erzeugen Lärm – elektrischen und mechanischen.

Um die Signale sauber zu halten:

• Es werden abgeschirmte Kabel verwendet.
• Isolationsmodule reduzieren Störungen
• Die Erdung ist sorgfältig konstruiert
• Durch Filterung werden unerwünschte Geräusche entfernt.

Systeme müssen EMV-Normen wie ISO 11452 erfüllen.

---

Echtzeitanalyse (Edge + Cloud)

Moderne Systeme teilen die Arbeit auf:

• Die integrierte Verarbeitung sorgt für eine schnelle Erkennung.
• Cloud-Systeme ermöglichen eine tiefergehende Analyse.

Beispiel:

Batteriesysteme, die alle 10 ms abgetastet werden, können abnormale Zustände nahezu sofort erkennen.

---

Anwendungsszenario 1: Batterie, Motor und Steuerungssysteme für Elektrofahrzeuge

Was wird gemessen?

Batterie:

• Spannung (±0,1 % FS)
• Strom (±0,2 % FS)
• Temperatur (±0,5°C)
• SOC

Motor:

• Geschwindigkeit (±1 U/min)
• Drehmoment (±0,3 % FS)
• Vibration (±50g Bereich)

Kontrolle:

• CAN-Signale
• Steuergerätedaten

Probenahme:

• Batterie: 100 Hz–1 kHz
• Motor: 1 kHz–10 kHz
• Steuerung: 100 Hz

---

Beispiel aus einem realen Projekt

In einem Härtetest für Elektrofahrzeuge:

• 8 analoge Kanäle und 4 CAN-Kanäle wurden synchronisiert.

Ergebnisse:

• Die Batterieeffizienz wurde um über 10 % verbessert.
• Die Motorvibrationen sanken um etwa 30 %.
• Der Lärmpegel wurde um etwa 5 dB(A) reduziert.

---

Anwendungsszenario 2: NVH-Test

NVH steht für Geräusche, Vibrationen und Rauheit.

Messaufbau

• Beschleunigungssensoren an Motor, Fahrgestell und Karosserie
• Mikrofone innerhalb und außerhalb der Kabine
• Abtastung bis zu 20 kHz

---

Analyseansatz

• Die FFT identifiziert dominante Frequenzen
• Zeit-Frequenz-Methoden erfassen vorübergehende Ereignisse

Beispiel:

In einem Fahrzeug wurde ein Kabinengeräuschpegel von über 60 dB(A) gemessen.

Ursache:

• verschlissene Motorhalterung

Fix:

• Durch den Austausch wurde der Geräuschpegel um 8 dB(A) reduziert.

---

Anwendungsszenario 3: Fehlerdiagnose und vorausschauende Wartung

Fehlererkennung

Typische Muster:

• Lagerverschleiß → erhöhte Vibrationsspitzen
• Zahnradverschleiß → anormale Frequenzkomponenten

---

KI-basierte Analyse

Modelle des maschinellen Lernens können:

• Fehlertypen identifizieren
• Schweregrad einschätzen

Bei guten Daten kann die Genauigkeit 90 % übersteigen.

---

Vorausschauende Wartung

Anstatt auf ein Scheitern zu warten:

• Signaltrends verfolgen
• Restlebensdauer abschätzen

Reale Ergebnisse:

• Die Wartungskosten wurden um etwa 40 % gesenkt.
• Die Ausfallraten wurden um etwa 35 % gesenkt.

Zu den Systemmerkmalen gehören:

• 72-stündige lokale Datenpufferung
• AES-128-Verschlüsselung

---

Von Daten zu Entscheidungen

Daten allein lösen kein Problem.

Entscheidend ist, wie es verwendet wird:

• Verknüpfung von Signalen mit physikalischen Ursachen
• Ergebnisse fließen in Designaktualisierungen ein
• Verbesserung der Zuverlässigkeit im Laufe der Zeit

Hier zeigen Coinv-Systeme ihren Wert.

---

Herausforderungen bei der Datenerfassung im Automobilbereich

• große Datenmengen
• Synchronisierungskomplexität
• raue Betriebsumgebungen
• Langlebigkeit der Hardware

---

Zukunftstrends

KI-Integration

• automatisierte Diagnose
• Mustererkennung

Kleinere Systeme

• tragbare Geräte
• integrierte Fahrzeugmodule

Daten aus mehreren Quellen

• Kombination von Fahrzeug- und Umweltdaten

Standardisierung

• einheitliche Formate
• vergleichbare Testergebnisse

---

Häufig gestellte Fragen

---

Was misst die dynamische Signalerfassung im Automobilbereich unter realen Testbedingungen?

Es misst während der Fahrt gleichzeitig verschiedene Signalarten. Dazu gehören Vibrationen, Geräusche, elektrische Größen wie Spannung und Stromstärke, mechanische Daten wie Drehmoment und Drehzahl sowie Umwelteinflüsse wie Temperatur und Dehnung. Ziel ist es, alle Daten gleichzeitig und nicht getrennt zu erfassen.

---

Warum ist die Synchronisierung in automobilen Datenerfassungssystemen so wichtig?

Die Synchronisierung stellt sicher, dass alle Signale zeitlich übereinstimmen. Dadurch können Ingenieure beispielsweise Vibrationen und Geschwindigkeiten präzise vergleichen. In Systemen mit vielen Kanälen können selbst kleinste Timing-Fehler zu falschen Schlussfolgerungen führen, insbesondere bei der Fehlersuche oder der Lokalisierung von Störquellen.

---

Was sind die größten Herausforderungen bei der Datenerfassung im Automobilbereich heutzutage?

Zu den größten Herausforderungen zählen die Verarbeitung großer Datenmengen, die Vernetzung verschiedener Systeme wie Sensoren und CAN-Netzwerke, der Umgang mit Störungen und rauen Umgebungsbedingungen sowie die Erfüllung der Echtzeitverarbeitungsanforderungen. Diese Herausforderungen nehmen mit der steigenden Komplexität der Fahrzeuge zu.

---

Wie verändert KI die Signalanalyse im Automobilbereich?

Künstliche Intelligenz (KI) hilft dabei, komplexe Daten schneller und genauer zu analysieren. Sie kann Fehler erkennen, Muster identifizieren und Ausfälle vorhersagen, bevor sie auftreten. Dies reduziert die Testzeiten und verbessert die Wartungsplanung.

---

Was sollten Ingenieure bei der Auswahl eines Datenerfassungssystems beachten?

Sie sollten Abtastrate, Kanalanzahl, Echtzeitverarbeitungsfähigkeit, Störfestigkeit und Kompatibilität mit Fahrzeugsystemen wie CAN und Ethernet berücksichtigen. Das System sollte zudem während der Fahrt zuverlässig und ohne Datenverlust funktionieren.

---

Autor

Johnny Liu
CEO, Dowway Vehicle

Johnny Liu arbeitet im Bereich Fahrzeugtestsysteme und Automobildatenanalyse. Er leitete Dauerlaufprüfungen für Elektrofahrzeuge, NVH-Analyseprojekte und die Entwicklung von Systemen zur vorausschauenden Wartung.

Letzte Aktualisierung: 24. März 2026

---