Das Nissan Technical Centre Europe nutzt die Sonatus Fastlane™ Platform, um Fehler direkt im Fahrzeug zu sichern und Entwicklern den Fokus auf echte Ingenieursarbeit zurückzugeben.
Das Paradigma des softwaredefinierten Fahrzeugs (Software-Defined Vehicle, SDV) bestimmt die moderne Automobilentwicklung. Für Entwicklungs- und Testingenieure bedeutet dieser Wandel jedoch eine drastisch steigende Systemkomplexität. Funktionsstörungen lassen sich selten auf ein isoliertes Bauteil zurückführen. Stattdessen agieren Lichtsteuerung, Antriebsstrang, Fahrwerk und Infotainment-Systeme domänenübergreifend miteinander.
In der Pre-SOP-Phase (Start of Production), dem Zeitfenster von etwa zwölf Monaten zwischen den ersten Vollprototypen und dem Serienanlauf, stehen Ingenieurteams unter hohem Zeitdruck. Konventionelle Prüf- und Messmethoden stoßen bei der Lokalisierung und Behebung komplexer Fehler an ihre Grenzen. Die automatische Erfassung und KI-gestützte Auswertung von Fahrzeugdaten gewinnt vor diesem Hintergrund an Bedeutung.
Das Nadelöhr der klassischen Datenanalyse
Bisher verlief die Ursachenanalyse (Root Cause Analysis) bei Erprobungsfahrzeugen weitgehend manuell. Traten im Testbetrieb sporadische Fehler auf, beispielsweise flüchtige Störungen im Infotainment, gestaltete sich die Nachverfolgung als aufwendig. Ingenieure zeichneten Datenmengen (Bulk Data) auf, die im Nachgang ausgelesen, konvertiert und gesichtet werden mussten.
Der strukturelle Nachteil: Bis ein Erprobungsfahrzeug nach der Testfahrt in der Werkstatt untersucht werden konnte, waren die relevanten Log-Einträge im flüchtigen Speicher häufig bereits von nachfolgenden Datenströmen überschrieben. Fehlte der Nachweis, mussten Erprobungsfahrten wiederholt werden, um das Fehlerbild künstlich zu reproduzieren.
Ereignisgesteuerte Datenerfassung mittels KI-Architektur
Um diese Prozesslücken zu schließen, hat das Nissan Technical Centre Europe (NTCE) seine Validierungs-Workflows angepasst und nutzt hierfür die Sonatus Fastlane™ Platform. Anstelle einer ungezielten Daueraufzeichnung verknüpft die Lösung eine ereignisgesteuerte Erfassung direkt im Fahrzeug mit einer KI-basierten Ursachenanalyse in der Cloud.
Integration ohne Fahrzeugdemontage
Der Einsatz zusätzlicher Messtechnik in bestehenden Testflotten scheiterte in der Praxis bislang oft am Installationsaufwand. Der Sonatus Fastlane™ Copilot begegnet dieser Hürde als steckbares Hardware-Modul: Über einen auf die jeweilige Fahrzeugarchitektur abgestimmten Kabelsatz verbindet sich das System direkt mit dem Testfahrzeug. Eine Demontage von Fahrzeugteilen entfällt, wodurch sich die Setup-Zeit von über einer Stunde auf wenige Minuten reduziert. Das Gerät konfiguriert sich anhand der automatisch erkannten Fahrgestellnummer (VIN) selbstständig, was ein schnelles Umstecken zwischen verschiedenen Prototypen ermöglicht.
Gezielte Erfassung im Fehlermoment
Für die Reduktion ungesteuerter Datenströme sorgt der Sonatus Fastlane™ Collector. Er arbeitet mit ereignisbasierten Richtlinien (Policies), die Entwickler über die Cloud an das Fahrzeug übermitteln. Der Collector zeichnet Daten ausschließlich dann auf, wenn definierte Abweichungen eintreffen. In diesem Moment erfasst das System ECU-Signale, Diagnoseereignisse und Netzwerktraffic von bis zu 12 CAN/CAN-FD-Kanälen sowie Ethernet. Dank dieser selektiven Erfassung können unterschiedliche Fachteams parallel am selben Fahrzeug arbeiten, ohne sich gegenseitig zu blockieren.
Fehlererkennung per Edge-KI im Steuergerät
Die Vorqualifizierung der Daten erfolgt direkt an der Datenquelle. Fastlane™ Edge bringt logische Prüfungen und Machine-Learning-Modelle auf die Recheneinheit im Testfahrzeug. Identifiziert die Edge-KI ein anomales Muster, stößt das System verzögerungsfrei den Fastlane™ Collector an. Die relevanten Signale werden im Moment des Auftretens isoliert und zusammen mit den CAN-Bus-Daten in die Cloud übertragen, bevor der lokale Speicher überschrieben wird.
Agentenbasierte KI-Diagnose in der Cloud
In der Cloud führt Fastlane™ Insight die Datenströme zusammen. Bei der Implementierung bei NTCE nutzt die Plattform eine Multi-Agenten-Architektur auf Basis von Anthropic Claude, das über Amazon Bedrock (AWS) bereitgestellt wird. Fastlane™ Insight verknüpft die erfassten Fahrzeugdaten mit den internen Entwicklungsdokumenten von Nissan, darunter ECU-Spezifikationen, CAN-Maps und historische Logfiles. Statt rohe Bus-Nachrichten manuell zu dekodieren, können Ingenieure die KI-gestützte Ursachenanalyse mit einem Klick aufrufen. Ein manuelles Herunterladen und Konvertieren der Dateiformate entfällt.
Mehrwert fĂĽr Ingenieure und Entwicklerteams
Der Wechsel zur ereignisgesteuerten Analyse verändert den Arbeitsalltag der Entwickler beim Nissan Technical Centre Europe spürbar:
- Messbare Zeitersparnis: Die Analysezeit von der ersten Fehlermeldung bis zur identifizierten Ursache sank von zwei Wochen auf zwei Tage.
- Weniger wiederholte Testfahrten: Durch die Erfassung flüchtiger Fehler bereits bei ihrem ersten Auftreten reduziert Fastlane™ Edge den Aufwand, nicht-reproduzierbare Störungen zeitintensiv nachzustellen.
- Fokus auf echte Entwicklungsarbeit: Die Teams verbringen deutlich weniger Zeit mit Kabelumbauten, Dateikonvertierungen oder dem manuellen Suchen in Logfiles.
- Reibungslose Zusammenarbeit: Entwicklungsteams greifen ortsunabhängig auf dieselben Cloud-Daten zu. Die KI legt ihre Herleitung sowie die genutzten Spezifikationen offen dar, sodass Entwickler alle Ergebnisse direkt verifizieren können.
Die Erfahrungen von NTCE zeigen, wie eine moderne Validierung im SDV aussehen kann. Die Kombination aus ereignisgesteuerter Erfassung, lokaler Edge-Analyse und Cloud-gestĂĽtzter Aufbereitung verkĂĽrzt die Entwicklungszyklen vor dem Start of Production und schafft fĂĽr die Ingenieurteams eine effizientere Arbeitsumgebung. Welche technischen Details hinter der Multi-Agenten-Architektur stecken, erfahren Sie in der Case Study.
kommentar field