在新成立的研究实验室中，人工智能正在训练神经网络。研究人员发现电动动力系统的发展具有重大优势。

动力系统开发人员看到了未来的挑战。即使在今天，它们不仅仅是设计汽油或柴油发动机，以提供最佳的性能和效率。它们还为经典的内燃机提供了更多的电动支持。

今天的动力系统采用带有启停系统的微型混合动力系统或带有48伏系统的轻度混合动力系统，一直到高压混合动力车，带或不带外部充电功能。内燃机的电气化有六种不同的结构，从带有皮带驱动的起动发电机（取代交流发电机）的P0装置到P5装置，其中电动机安装在轮毂中。全电动汽车处于该频谱的最后端。可以肯定的是，它没有内燃机，但动力系统本身可以采用多种不同的形式。这使得动力系统中的关系越来越难以监控。

一种可能的解决方案是在动力系统的开发中更多地使用人工智能。例如，与德国人工智能研究中心（DFKI）合作，工程服务提供商IAV成立了联合研究实验室，用于学习测试数据（FlaP）。该实验室在凯泽斯劳滕的DFKI工厂自己的空间，德国，并且开始接触的四个工作人员。该团队将在未来几个月迅速扩张。

改进数据分析

“在开发动力总成控制系统时会产生大量的测试数据，”  负责DFKI方面合资企业的Andreas Dengel说。这些测试数据由许多传感器捕获并存储在多维数据空间中。今天的开发设备使用了100多个传感器。“在我们的新研究实验室中，我们计划使用人工智能和'深度学习'方法，以各种方式进行所谓的大数据分析，以便我们更好地理解引擎内的关系，”Dengel说。基础工作应该在开发过程中提供更高的效率，同时在日益复杂的环境中实现强大系统的开发。

负责代表IAV动力总成机电一体化的新研究实验室的Matthias Schultalbers  期望合作能够更好地获取研究成果，特别是在数据分析中使用AI。位于德国北部Gifhorn的IAV公司总部的一个团队已经开始研究数据分析及其在发动机，变速箱和电力电子控制单元中的应用。“新的研究实验室应该应用人工智能和深度学习方法来系统地评估IAV测试数据，过滤掉与正常操作的偏差并分析其原因，” Schultalbers 说。 为了实现这一目标，IAV构建了一个能够处理大量数据的高性能GPU集群。 

神经网络

深度学习方法使用在许多深层构建的神经网络。这两个伙伴不会说他们有多深。但理论上，在最大量的“学习数据”下，这些层独立学习如何在控制设备中进行建模以及随后的参数化。 首先，许多单独的神经元层将各个任务分成基本形式，然后在更深层中识别越来越复杂的相互关系。这使它们可以轻松扩展，以适应日益复杂的任 神经网络的一个主要优点是可以根据计算能力的复杂性进行调整。 

一个缺点是它们是“黑盒子”。当然可以验证结果。但到目前为止，神经网络究竟是如何实现其结果还没有真正被理解。IAV和DFKI的研究人员希望确定两件事：第一，模型与现实不符的条件; 第二，模型中发生偏离目标行为的条件。 

“在这些情况下，人工智能为我们提供了获得新见解的巨大机会，”Schultalbers说。“例如，  在  调节增压压力时，我们可以确定调节器以某种方式表现得更精确的情况。如果存在异常，可以优化调节器参数并预先识别硬件缺陷。“

预测性健康监测

假设他们可以获得适当的计算能力，合作伙伴计划将这些方法带入现场。它们将作为预测性健康监测。“这就像一个预警系统，”丹格尔说。“发动机随时间记录的振动，压力和温度数据在控制装置中使用AI技术进行评估。这使得可以检测到早期建立的错误。“可以将车辆迅速发送到服务车间，或者可以预先将系统设计为容错。 

展望未来，两家合作伙伴计划使用开发过程中的测量数据来定义汽车电子控制单元（ECU）的性能。例如，发动机控制单元可以独立地适应不同的环境条件 - 例如加利福尼亚的炎热干燥气候或斯堪的纳维亚的潮湿寒冷天气。 借助灵活的控制装置，即使在传感器公差或磨损的情况下，系统也可以一次又一次地恢复到理想的物理状态。这假设车辆中将有足够的计算能力。