Wie Nissan seinen Fahrzeugentwicklungszyklus mit Sonatus

0:00 Einführung in den Podcast

Willkommen zu einer weiteren Folge des „ Driving Innovation “-Podcasts.

Moderne Fahrzeuge sind beeindruckende Meisterleistungen in Sachen Design und Technik, doch ihre Entwicklung, Erprobung und Validierung wird immer komplexer.

Heute befassen wir uns damit, wie einer der weltweit führenden Automobilhersteller seinen Validierungsprozess vor der Serienproduktion mithilfe eines datengestützten und von „ AI “ unterstützten Ansatzes neu gestaltet, um diese Komplexität zu vereinfachen, die Effizienz zu steigern und letztendlich Kosten einzusparen.

Ich bin Ihr Moderator, Sanjay Khatri, und freue mich sehr, Ihnen unsere Gastrednerin Sarah Dorey vorzustellen, Senior Engineer für E-Planning, Coding und Cybersicherheit am Nissan Technical Center Europe. Sarah ist heute hier, um darüber zu sprechen, wie das Zentrum mit Hilfe von „ Sonatus “ Collector AI und „ AI “ Technician große Herausforderungen bei der Validierung meistert und seine Fahrzeugentwicklungsprogramme beschleunigt.

Wir werden uns mit den Möglichkeiten der ereignisgesteuerten Datenerfassung befassen, mit den Erkenntnissen, die sich durch die Verknüpfung von Daten aus komplexen Fahrzeugteilsystemen gewinnen lassen, und damit, wie ein iterativer Closed-Loop-Workflow die Art und Weise, wie sie Ursachenanalysen durchführen, grundlegend verändert.

Sarah, vielen Dank, dass du bei diesem Podcast dabei bist.

Hallo, schön, dich kennenzulernen. Es ist toll, wieder hier zu sein.

1:24 Herausforderungen bei der Validierung in der Fahrzeugentwicklung

Vielen Dank. Ja, dann lassen Sie uns gleich loslegen. Ihre Organisation steht im Mittelpunkt des Fahrzeugentwicklungsprogramms von Nissan für – ich würde sagen – preisgekrönte und beliebte Modelle wie den Nissan LEAF und den Juke. Übrigens: Herzlichen Glückwunsch dazu, dass der Nissan LEAF so viele Auszeichnungen erhalten hat. Vor welchen Herausforderungen bei der Validierung standen Ihre Teams, dass Sie nach einem anderen Ansatz gesucht haben?

Ja, danke. Eine tolle Frage, denn das ist etwas, was uns und viele OEMs während der Entwicklungsphase vor Herausforderungen gestellt hat.

Bei all unseren Standardentwicklungen stoßen wir häufig auf Schwierigkeiten, wenn es um die Ermittlung der Grundursachen geht.

Das ist in der Branche nichts Ungewöhnliches, aber angesichts der Entfernungen – unsere Produktionsstätte liegt weit entfernt von unseren beiden Forschungs- und Entwicklungszentren in Europa, eines in Großbritannien und eines in Spanien – kann die Datenerhebung sehr schwierig sein. Man muss vor Ort sein oder zumindest jemanden haben, der über die erforderlichen Fähigkeiten, Kenntnisse und Kompetenzen verfügt und zur richtigen Zeit am richtigen Ort ist. Und das ist nicht immer der Fall. Oft sammelt man Daten, kehrt zurück und analysiert sie. Und selbst nach dieser Analyse möchte man weitere Daten erheben, um wirklich tief in die Daten einzutauchen und genau zu analysieren, welche Steuereinheit in welchem Szenario oder bei welcher CAN-Verbindung welches Problem aufweist. Daher sind weitere Datenprotokolle erforderlich, was ein kleines Problem darstellt, wenn man den Standort bereits verlassen hat.

Außerdem treten im Rahmen unseres Entwicklungszyklus, wenn wir neue Fahrzeuge in die Produktion aufnehmen, Probleme auf, sobald diese produziert werden.

Nach dem herkömmlichen Modell schalten sich die Datenlogger ein, sobald die 12-Volt-Batterie angeschlossen wird.

Wir erfahren jedoch erst, was auf diesem Datenlogger gespeichert ist, wenn er das Ende der Strecke erreicht hat, jemand ihn einsammelt, die Daten hochlädt und uns dann mitteilt, dass sie in der Cloud verfügbar sind, sodass wir uns diese Daten erneut ansehen können.

Das verlangsamt den Untersuchungsprozess also ein wenig und macht ihn ziemlich langwierig. Wir möchten unsere Arbeit beschleunigen. Wir haben so großartige Produkte. Wir möchten sie unseren Kunden viel schneller zur Verfügung stellen können.

Auch die Produkte sind wesentlich komplexer. Daher gibt es zahlreiche Entwicklungsaspekte, die wir berücksichtigen müssen – das sind ganz normale Aspekte. Wir wollen jedoch sicherstellen, dass der Kunde davon nichts mitbekommt.

Die Software ist so komplex. Hinzu kommt noch die Cybersicherheit. Es gibt viel zu beachten, und wir wollen sicherstellen, dass der Kunde zum Zeitpunkt der Markteinführung dieses Produkts das Beste erhält, was unsere Produkte zu bieten haben. So konnten wir den Prozess tatsächlich beschleunigen und die Qualität, die wir unseren Kunden bieten, weiter verbessern.

4:10 Digitale Transformation in Validierungsprozessen

Ja, ich verstehe, was Sie beschreiben. Ich würde das vielleicht als Digitalisierung oder Virtualisierung des Prozesses bezeichnen, damit er dynamischer wird und stärker in Echtzeit abläuft, ohne dass man auf Ressourcen oder Testfahrzeuge warten muss oder viele manuelle Übertragungen und Ähnliches vornehmen muss. Das bedeutet also, dass viele Reibungsverluste in diesem Prozess abgebaut werden. Sie haben also mit „Collector“ AI und „ AI Technician“ einen stärker digitalisierten und auf „ AI “ basierenden Arbeitsablauf eingeführt. Welche Ergebnisse konnten Sie damit erzielen?

Ja, das sieht wirklich vielversprechend aus. Wir befinden uns derzeit natürlich noch in der Phase des Proof-of-Concept-Projekts, aber die Ingenieure sind von den Möglichkeiten wirklich begeistert. Wie ich bereits sagte, müssen wir bisher vor Ort sein, um Daten zu erheben.

Dank der Remote-Bereitstellung von Richtlinien müssen wir das nicht tun. Und auch die erneute Bereitstellung von Richtlinien erfolgt wiederum sehr schnell und einfach.

Wir sehen sehr schnell Ergebnisse. Wenn wir diese Daten dann in den „ AI -Techniker“ einspeisen, können wir sehr schnell mit der FTA (Fehlerbaumanalyse) beginnen. Wir können unsere Erfahrung und unser Fachwissen nutzen, um genau die Fragen zu stellen, die in die Daten einfließen, und „ AI Technician“ verbindet dann alle Zusammenhänge für uns. So müssen wir nicht verschiedene SharePoint-Seiten und Dateien durchforsten, um all dieses Wissen zusammenzutragen, oder mit Kollegen im gesamten Unternehmen sprechen, denn wir haben unser gesamtes Nissan-Wissen gebündelt und können es mithilfe von „ AI Technician“ zusammenführen.

Es ist also wirklich spannend, mit welcher Geschwindigkeit wir das umsetzen können. Wir sind zwar nach wie vor auf alle unsere Ingenieure im Unternehmen angewiesen, um diese Entscheidungen zu treffen, aber dank des besseren Zugangs zu Daten – und zwar zu wirklich zuverlässigen Daten – können sie dies zumindest schneller tun. Das ist also ein echter Vorteil für uns.

6:04 Fernzugriff und weltweite Zusammenarbeit

Ich verstehe Sie also so: Erstens ermöglicht es Ihren Ingenieuren, an Fahrzeugen zu arbeiten, ohne physischen Zugang zu diesen zu haben. Damit beseitigen Sie gewissermaßen die Abhängigkeit vom Wettbewerb um Ressourcen, was Ihre Testfahrzeuge angeht. Und zweitens besteht die Möglichkeit, Dinge dynamisch durchzuführen – vermutlich sogar während einer Testfahrt –, sodass Sie das Fahrzeug nicht zurückbringen, umrüsten, die im Fahrzeug befindlichen Datenlogger anpassen und so weiter müssen. Würden Sie das so charakterisieren? Und inwiefern hilft Ihnen das insgesamt? Sie haben von einem globalen Team mit mehreren Standorten gesprochen – ich nehme an, Sie arbeiten auch mit Kollegen in Japan zusammen. Wie hilft Ihnen das alles gemeinsam?

Ja, das verschafft uns viel Flexibilität und Agilität, um auf Situationen zu reagieren.

Diese Möglichkeit, die Richtlinien aus der Ferne zu implementieren, bedeutet, dass wir ein Auto auf der Teststrecke in Barcelona fahren lassen können, während ich von hier zu Hause darauf zugreifen kann. Ich kann das auch vom Büro aus tun. Jemand aus Japan könnte ebenfalls die Daten auf dem Armaturenbrett überprüfen. Dieses eine Auto und dieser eine Datensatz, auf den alle Zugriff haben, eröffnen uns also wirklich ganz neue Möglichkeiten, unsere Testflotte auf eine Weise zu nutzen, wie wir es bisher noch nicht unbedingt getan haben. Normalerweise sind Testfahrzeuge einer bestimmten Funktion und einem bestimmten Test zugeordnet. Das bedeutet also tatsächlich, dass wir durch diesen Fernzugriff mehr Ressourcen zur Verfügung haben, die alle Ingenieure weltweit nutzen können. Das ist wirklich sehr spannend.

Lassen Sie uns über die Analyse sprechen.

Wie ich bereits eingangs erwähnt habe, sind Fahrzeuge heutzutage einfach großartig, einschließlich derjenigen, die ich genannt habe. Aber sie sind auch sehr komplex: viel Elektronik, viele – wie ich es nennen würde – domänenübergreifende Abhängigkeiten, und Funktionen erstrecken sich über mehrere Teilsysteme.

Und oft gehe ich davon aus, dass es eine Herausforderung sein kann, viele dieser Zusammenhänge zwischen den verschiedenen Teilsystemen herzustellen, insbesondere wenn man sich ein bestimmtes Datensilo ansieht.

Inwiefern hat „ AI “ in Verbindung mit „Collector“ AI Ihren Ingenieuren dabei geholfen, die Zusammenhänge zwischen diesen Bereichen zu erkennen? Und welche Erkenntnisse und Zeitersparnisse hat dies ermöglicht?

8:33 Die Rolle des „ AI “-Technikers bei der Datenanalyse

Die Ingenieure verfügen zwar über außergewöhnliche Fähigkeiten, aber sie können unmöglich Experten für absolut jede Steuereinheit und jedes System in solch komplexen Fahrzeugen sein. Und wie ich bereits gesagt habe: Wenn man dann noch die Cybersicherheit hinzunimmt, erreicht unsere Arbeit wirklich eine ganz neue Ebene.

Durch den Einsatz von „ AI “ Technician, das mit dem Nissan Knowledge Data Lake verbunden ist, kann „ AI “ Technician dieses Wissen bündeln. So kann jeder zum Experten werden.

Man muss nicht mehr tagelang auf eine E-Mail von jemandem warten. Wir sind im Grunde davon ausgegangen, dass wir bei der Ursachenanalyse eines bestimmten technischen Problems erkennen können, wo die Chancen liegen. Während der Umsetzung unseres Proof-of-Concept haben wir festgestellt, dass wir die Dauer einer Ursachenanalyse von zwei Wochen auf zwei Tage verkürzen können. Und das ist ein riesiger Fortschritt.

Aber gerade weil es diese Komplexität durchbricht, weil es für unsere Ingenieure all diese Punkte miteinander verknüpfen kann, ist das wirklich spannend. Ich finde es absolut großartig, wie es mein Wissen über Nissan einbezieht, denn ich bin Ingenieur. Ich vertraue niemandem. Wenn man mir eine Antwort geben will, will ich Beweise.

Und man muss wirklich in die Tiefe gehen, um mich davon zu überzeugen. Und die „Technician Solution“ schafft das – sie erklärt es mir in meiner eigenen Sprache. Sie zitiert mir Dokumente, die ich wahrscheinlich irgendwann einmal verfasst habe, und geht so sehr ins Detail, dass sie mir tatsächlich verdeutlicht: „Deshalb solltest du mir glauben.“ Aber sie erklärt mir auch, warum sie andere Aspekte außer Acht gelassen hat. Das fühlt sich an wie ein Gespräch, das ich mit unseren Ingenieuren führe. Und das überzeugt mich daher davon, dass es wirklich in die Tiefe des Wissens vorgedrungen ist, über das wir bei Nissan verfügen – und auf das wir dank unserer langjährigen Erfahrung zurückgreifen können –, um mir eine qualitativ hochwertige Antwort zu geben, sodass die Ingenieure mit einem wirklich fundierten Wissenshintergrund in den Entscheidungsprozess gehen, was genau unserem Ziel entspricht. Das ist es, was wir tun. Aber derzeit ist das noch sehr zeitaufwendig. Mit der „ Sonatus “AI können wir das viel schneller erreichen.

Interessant. Ja, mir gefällt, wie es die Arbeit der Ingenieure ergänzt, indem es ihnen quasi einen Assistenten an die Seite stellt, der diese Informationen beschaffen kann, auf die sie vielleicht keinen Zugriff haben oder über die sie von Natur aus nicht Bescheid wissen. Für mich klingt das auch nach einer Art iterativem Prozess, oder? Anstatt also eines statischen, linearen Ablaufs – man erhält Daten, führt eine Analyse durch, kehrt zurück und testet –, handelt es sich hier um einen sequenziellen Prozess.

11:10 Dynamik von Workflows in geschlossenen Regelkreisen

Können Sie mir einige Aspekte des geschlossenen Arbeitsablaufs beschreiben – also wie diese dynamischen Daten, die Analyse von „ AI “ Technician und dann möglicherweise die Rückkopplung und Iteration darauf ablaufen? Können Sie mir einen kleinen Einblick geben, wie verbreitet so etwas ist und inwieweit es Ihnen tatsächlich hilft?

Ja, und Ingenieure sind die Kinder, die schon von klein auf immer gefragt haben: „Warum?“. Warum, warum passiert das? Wenn also ein Problem auftaucht oder eine Frage geklärt werden muss, dann ist es genau das, was sie tun werden. Du gibst mir ein paar Daten, aber dann habe ich noch mehr „Warum“-Fragen, denen ich nachgehen muss. Darauf stützen wir unsere Richtlinien.

Das kann ziemlich weit gefasst sein, sodass wir das System einfach anweisen können, nach allen DTCs zu suchen, die in einem Steuergerät auftreten. Es wird diese dann markieren und die Daten automatisch erfassen. Das ist wirklich cool. Wir können aber auch CAN-Signale erfassen, auf die wir uns gezielt konzentrieren möchten.

Wenn ich also weiß, dass ich nach etwas suche, das damit in Zusammenhang steht und sich im CAN-Netzwerk befindet, kann ich das einstellen, und es wird mir ebenfalls angezeigt. So kann ich diese Datenerfassungen gleichzeitig durchführen, um wirklich alles abzudecken, was ich vorhabe. Alle diese Datenprotokolle werden für mich in AWS hochgeladen. Dort werden sie dann in AWS zusammen mit unserem Nissan-Wissen gespeichert und liegen Seite an Seite.

Und mit „ AI Technician“ können wir dann damit beginnen, das zu analysieren. Das Tolle daran ist, dass wir dieses FTA-Wissen – all diese „Warum“-Fragen – in eine Richtlinie einfließen lassen und diese erneut bereitstellen können. Von unserer Benutzeroberfläche aus – egal ob hier in meinem Garten oder bei den Kollegen in Spanien oder Japan weltweit – können wir das einfach erneut bereitstellen. Und diesen Kreislauf können wir immer wieder fortsetzen.

Mit dem geschlossenen System verfügen wir über diese zusätzliche Sicherheit. Und das Wissen von Nissan befindet sich nicht in der Cloud eines Drittanbieters. In dieser Hinsicht gibt es also keine Sicherheitslücke. Wir können uns daher ziemlich sicher sein, dass unser gesamtes Wissen an einem Ort gebündelt ist, und gleichzeitig tief in unser Wissen eintauchen.

Das ist also wirklich cool, wirklich.

13:19 Auswirkungen auf Kosten und Effizienz

Sie haben kurz über diese bessere Abstimmung zwischen den globalen Teams gesprochen.

Wenn Sie diese Tools auf Modelle wie den kommenden Juke und den LEAF ausweiten, was sehen Sie dann als nächsten Schritt im Bereich der intelligenten Test AI -gestützten Validierung?

Ja, danke. Das ist jetzt eine echte Chance, mehr von unserer Digitalisierungsarbeit in diesen gesamten Prozess einfließen zu lassen. Und im Proof-of-Concept können wir erkennen, wo die Vorteile liegen, und dann geht es los. Wir können dann diese Empfehlungen vom [AI]-Techniker erhalten, die uns weitere Möglichkeiten eröffnen – sei es, dass wir unternehmensweite Trends erkennen, bei denen unsere Flotte bestimmte Anomalien signalisiert. Oder wenn wir einfach nur die Daten unserer gesamten Flotte sichern wollen: Wir können das bei einem Fahrzeug tun, wir können es bei vielen Fahrzeugen tun. So können wir dann anfangen zu prüfen, wo wir gleichzeitige Tests durchführen können.

Vielleicht brauche ich also einen Datensatz. Vielleicht brauchen auch zwei oder drei meiner Kollegen einen Datensatz von demselben Auto. Wir können unsere Richtlinien auf dieses eine Fahrzeug anwenden. Wir brauchen keine drei verschiedenen Fahrzeuge.

Dort konnten wir also diese Reduzierung an den Testfahrzeugen beobachten. Die Kosten sind hoch, es handelt sich um Prototypen. Jeder Vorteil, den wir dadurch erzielen können, ist für uns also immer ein Gewinn.

Nun, das war wirklich sehr hilfreich, Sarah. Und ich möchte dir ganz herzlich dafür danken, dass du dir die Zeit genommen hast. Ich weiß, dass du sehr beschäftigt bist, aber das war wirklich sehr hilfreich. Und ich habe viel gelernt. Ich dachte, ich wüsste schon viel über das Projekt, an dem wir gerade arbeiten, aber ich habe definitiv noch viel dazugelernt, und du hast es um viele weitere Aspekte bereichert. Deshalb möchte ich dir wirklich herzlich dafür danken, dass du bei uns warst.

Danke. Danke, dass ich hier sein darf. Es ist immer toll, mit euch zu plaudern.

15:16 Fazit und wichtigste Erkenntnisse

Damit sind wir am Ende einer weiteren aufschlussreichen Folge des „ Driving Innovation “-Podcasts angelangt. Wir haben gesehen, wie das Nissan Technical Center Europe mit Hilfe von Sonatus Collector AI und AI Technician die Tests und Validierungen vor der Serienproduktion grundlegend verändert. Durch den Einsatz ereignisgesteuerter Datenerfassung und durch „Closed-Loop“- AI -gestützter Arbeitsabläufe beschleunigt Nissan Europe die Fahrzeugentwicklung, senkt Kosten und sorgt für eine bessere globale Teamkoordination. Ein großes Dankeschön an Sarah Dorey dafür, dass sie uns gezeigt hat, wie dieser intelligente Testansatz die Zukunft von Modellen wie dem Juke und dem LEAF prägt. Und wir freuen uns darauf, Ihnen in zukünftigen Folgen mehr über die nächsten Schritte in der Entwicklung der „ AI “-gestützten Fahrzeugentwicklung und -validierung zu berichten.