Referenzprozessmodell für KI-Entwicklung im Fahrzeug

Praxisleitfaden für die normengerechte Entwicklung von KI-Funktionalitäten in der Automobilindustrie

ZeitschriftIndustry 4.0 Science
Ausgabe40. Jahrgang, 2024, Ausgabe 6, Seite 96-101
Literatur Teilen Zitieren Download

Abstract

KI-Funktionalitäten werden zunehmend im Fahrzeug eingesetzt. Während aktuelle Produktentwicklungsmodelle dem steigenden Softwareanteil Rechnung tragen, werden die speziellen Anforderungen von KI-Entwicklungen nur unzureichend berücksichtigt. Es wurde daher ein Referenzprozessmodell für die Entwicklung von KI-Funktionalitäten in der Automobilindustrie erstellt. Es unterstützt Unternehmen, die bisher klassische Softwareentwicklung zukünftig einfacher und standardkonform für die Entwicklung von KI-Funktionalitäten zu gestalten.

Keywords

Artikel

Künstliche Intelligenz wird zunehmend in Fahrzeuge integriert, doch herkömmliche Produktentwicklungsprozesse erfassen die spezifischen Anforderungen von KI-Projekten oft nicht vollständig. Um diesen Anforderungen gerecht zu werden, wurde ein Referenzprozessmodell speziell für die Entwicklung von KI-Funktionalitäten in der Automobilbranche entwickelt. Dieses Modell soll Unternehmen dabei unterstützen, ihre herkömmlichen Softwareentwicklungsprozesse einfacher an die Besonderheiten von KI- Projekten anzupassen.

Zugang beschränkt

Sie sind zur Zeit nicht angemeldet / noch nicht registriert.

Um diesen Inhalt vollständig lesen zu können, müssen Sie über ein entsprechendes inklusiv-Abonnement verfügen. Alternativ können Sie den Zugang auch durch Zahlung eines Einmalpreises erhalten.

Abo inklusive Einzelkauf
ohne − 29,00 €
Digital − 27,55 €
Expert − 26,10 €
Professional ✓ 0,00 €

Lesen für einmalig 29,00 €

Alle Preise enthalten 7% Mehrwertsteuer

Nach Erwerb der Zugangsrechte werden Sie automatisch wieder zu dieser Seite zurückgeleitet.


Lösungen: Produktentwicklung

Das könnte Sie auch interessieren

KI-gestützte Bereitstellung von Erfahrungswissen 

KI-gestützte Bereitstellung von Erfahrungswissen 

Praktische Erfahrungen aus Unternehmensfällen
Martin Schmauder ORCID Icon, Gritt Ott ORCID Icon, Bianca Windisch
Die Nutzung von Erfahrungswissen ist für Unternehmen ein zentraler Erfolgsfaktor. Der vorliegende Beitrag analysiert anhand von vier betrieblichen Fallstudien die technischen, organisatorischen und personellen Herausforderungen beim Einsatz von Retrieval-Augmented-Generation-(RAG)-Systemen. Die Ergebnisse zeigen, dass der Erfolg solcher Systeme maßgeblich von der strategischen Entwicklung und Pflege der Wissensbasis sowie von der Einbindung der Beschäftigten abhängt.
Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 5 | Seite 128-135 | DOI 10.30844/I4SD.26.5.15
Inklusive Arbeitssystemgestaltung

Inklusive Arbeitssystemgestaltung

Perspektiven für Automatisierung, Standardisierung und Kontextadaptivität
Sebastian Schlund ORCID Icon
Die Gestaltung inklusiver Arbeitssysteme gewinnt vor dem Hintergrund des demografischen Wandels und der zunehmenden digitalen Durchdringung von Wertschöpfungsprozessen an Bedeutung. Während klassische ergonomische Ansätze primär auf der Perzentillogik basieren und damit nur einen Teil der Nutzerpopulation adressieren, eröffnet die Integration digitaler Technologien neue Möglichkeiten zur dynamischen und individuellen Anpassung von Arbeitssystemen. Der vorliegende Beitrag stellt einen konzeptionellen Handlungsrahmen für inklusive Arbeitssystemgestaltung vor, der die Dimensionen Standardisierung, Automatisierung und Kontextadaptivität integriert. Methodisch basiert der Beitrag auf einer konzeptionellen Analyse bestehender Ansätze aus Ergonomie und Human-Centered Design. Der Beitrag leistet einen theoretischen Beitrag zur Systematisierung inklusiver Arbeitssystemgestaltung und formuliert Gestaltungsbereiche für Forschung und industrielle Praxis.
Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 5 | Seite 70-76 | DOI 10.30844/I4SD.26.5.8
MTM-Analysen mithilfe von KI und regelbasierten Algorithmen

MTM-Analysen mithilfe von KI und regelbasierten Algorithmen

Ein Ansatz zur Interpretation von textuell beschriebenen Arbeitsabläufen
Constantin Eckart ORCID Icon, Martin Benter ORCID Icon, Peter Kuhlang ORCID Icon
Die MTM-Methoden sind ein bewährter Standard zur Analyse und Gestaltung menschlicher Arbeitsabläufe. Arbeitsplaner stehen bei der Anwendung jedoch weiterhin vor der Herausforderung, diese Methoden richtig und effizient anzuwenden. Künstliche Intelligenz – insbesondere Large Language Models – hat das Potenzial, hier einen wichtigen Beitrag zu leisten. Beim Einsatz von KI ergeben sich jedoch berechtigte Fragen hinsichtlich der Verlässlichkeit und Nachvollziehbarkeit der Ergebnisse. Der vorgestellte Ansatz kombiniert LLMs mit einem regelbasierten Algorithmus, um gezielt wichtige Informationen aus textlichen Prozessbeschreibungen, wie Arbeitsanweisungen, zu extrahieren, die für MTM-Analysen erforderlich sind. Anschließend werden diese entsprechend dem MTM-Regelwerk in Analysen übersetzt. Dieses Vorgehen trägt dazu bei, dass die Ergebnisse für den Anwender nachvollziehbar aus den Eingangsdaten abgeleitet werden.
Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 5 | Seite 62-69 | DOI 10.30844/I4SD.26.5.7
Manuelle Abläufe in der Automobilproduktion optimieren

Manuelle Abläufe in der Automobilproduktion optimieren

Bausteinbasierter Ansatz zur effizienten Erstellung von Arbeitssystemsimulationen
Barbara Brockmann, Tobias Jurk, Beate Stoffels, Jochen Deuse ORCID Icon
Im produzierenden Gewerbe gewinnt die Integration digitaler Menschmodelle im Produktentstehungs- und Herstellungsprozess zunehmend an Bedeutung. Besonders in der Montage, die durch einen hohen Anteil manueller Tätigkeiten geprägt ist, ermöglichen Bewegungssimulationen eine realitätsnahe Abbildung menschlicher Arbeit und leisten damit einen wesentlichen Beitrag zur bewegungsökonomischen Bewertung, Prozessabsicherung und Effizienzsteigerung. Der breiten Anwendung in der Produktionsplanung stehen jedoch verschiedene Herausforderungen wie der hohe Initialaufwand zur Erstellung der Humansimulation als auch volatile Planungsbedingungen gegenüber. Dieser Beitrag stellt einen praxisorientierten Lösungsansatz aus der Automobilmontage vor, der eine aufwandsreduzierte Erstellung von Simulationen sowie deren frühzeitige und durchgängige Nutzung im Planungsprozess ermöglicht.
Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 48-55
KI-gestützte Beölungsstrategien beim Gewindeformen

KI-gestützte Beölungsstrategien beim Gewindeformen

Adaptive Sprühstrahlsteuerung zur Erhöhung von Prozesssicherheit und Werkzeugstandzeit
Reinhard Schmied, Marco Susic, Christian Donhauser ORCID Icon
Das Gewindeformen erfordert eine präzise Schmierstoffapplikation, da hohe Flächenpressungen und lokale Temperaturspitzen die Werkzeugbelastung erheblich beeinflussen. Aktuelle Sprüh- und Minimalmengenschmierungssysteme (MMS) weisen trotz etablierter Technik häufig Streuverluste, unzureichende Benetzung und instabile Tropfendynamik auf. Diese wissenschaftliche Betrachtung beinhaltet und untersucht einen integrativen Ansatz zur adaptiven Präzisionsbeölung beim Gewindeformen, der auf Computational Fluid Dynamics (CFD)-basierter Strömungsanalyse, experimenteller Validierung und Künstliche Intelligenz (KI)-gestützten Optimierungsverfahren basiert. Im Fokus stehen Tropfengröße, Strahlgeometrie, Düsenposition und Umgebungsströmung sowie deren Einfluss auf die Benetzungsintensität. Erste simulationsgestützteVoruntersuchungen zeigen das Potenzial einer datenbasierten Optimierung zur Reduktion von Benetzungsdefiziten und zur Auslegung künftiger Regelstrategien für eine ...
Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 76-83
SmartBending: Inline-Messtechnik zur Prozesskorrektur

SmartBending: Inline-Messtechnik zur Prozesskorrektur

Inline-Prozessoptimierung zur Fehlerkorrektur beim Schwenkbiegen
Christian Donhauser ORCID Icon, Reinhard Schmied, Marco Susic
Schwenkbiegen ist ein etabliertes Umformverfahren, bei dem Materialverlust vermieden und Ressourcen effizient genutzt werden. Der Prozess erfordert jedoch aufwändige Optimierungen, die bisher stark vom Fachwissen der Bediener abhängen. Dies führt zu hohem Zeit- und Materialaufwand, da Optimierungsschritte iterativ erfolgen. Angesichts des Fachkräftemangels ist eine technologische Aufrüstung der Anlagen im Sinne von Industrie 4.0 notwendig. Im Rahmen eines Projekts wurden mittels intelligenter Sensorik kritische Einflussfaktoren erfasst, die Korrelationen zwischen Produktfehlern und Anlagenverformungen aufzeigen. Darauf basierend wurde eine Methodik entwickelt, die die Grundlage für eine Inline-Kompensation schafft, bei der die Anlage eigenständig Prozessparameter anpasst, um Produktfehler zu korrigieren und perspektivisch eine fehlerfreie Fertigung ab dem ersten Bauteil zu ermöglichen.
Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 134-141