de.wedoany.com-Bericht: BorgWarner stellte auf der MathWorks China Automotive Conference im Juni 2026 eine auf maschinellem Lernen basierende Methode zur Online-Schätzung der Motortemperatur vor. Diese Methode nutzt ein Deep-Learning-Netzwerk zur Echtzeitvorhersage der Rotor- und Statortemperaturen des Motors. Die Prüfstandvalidierung ist abgeschlossen, und die Fahrzeugintegrationstests werden als Nächstes durchgeführt.
Die Nutzung von KI zur Vorhersage von Betriebszuständen ist keine neue Technologie, doch ein reales Problem besteht weiterhin: Wie kann ein in der Python-Umgebung trainiertes KI-Modell zuverlässig auf einer eingebetteten Plattform bereitgestellt werden? Von der Modellintegration über die Codegenerierung bis hin zur Simulationsvalidierung und endgültigen Bereitstellung birgt jeder Schritt Unsicherheiten. Dies ist die zentrale Herausforderung für die skalierte Einführung von Embedded-KI in der Automobilindustrie.
Shucheng Dong, Chefexperte und Teamleiter des MathWorks China Automotive Technology Teams, erwähnte, dass MATLAB über mehr als 130 Produkt-Toolboxen verfügt, die von den Nutzern aufgrund von Entwicklungszyklen jedoch nicht vollständig genutzt werden. Die meisten unzureichend genutzten Toolboxen haben eine hohe fachliche Einstiegshürde; Module zur Regelungstheorie und Optimierung stellen gewisse theoretische Anforderungen an die Anwender. Die Version R2026a ändert dies.
Im April 2026 veröffentlichte MathWorks die Version 2026a (R2026a) der MATLAB- und Simulink-Produktfamilie, deren Kernstück ein von Agentic AI gesteuerter Workflow ist. Basierend auf dem MATLAB MCP Core Server können KI-Agenten mit MATLAB/Simulink interagieren. Neben der Ausgabe von Optimierungsvorschlägen können sie auch Code generieren, Code analysieren, Modelle erstellen und bearbeiten, wodurch ein geschlossener Kreislauf aus generativer KI-gestützter Entwicklung und verifizierbarer Berechnung entsteht. Der Vorteil von Agentic AI liegt darin, dass Ingenieure ohne tiefgehendes interdisziplinäres Wissen über natürliche Sprache auf fortschrittliche Toolboxen zugreifen können, wodurch sie Funktionen nutzen können, die sie zuvor nicht zu verwenden wagten oder nicht beherrschten.
Das MATLAB Agentic Toolkit und das Simulink Agentic Toolkit stellen Coding Agents Expertenwissen über MATLAB- und Simulink-Workflows sowie Nutzungsrichtlinien zur Verfügung. In Kombination können generative KI-Systeme Code schreiben, der den MATLAB/Simulink-Stilrichtlinien entspricht, Tests automatisch generieren und ausführen, Fehler diagnostizieren und beheben, die integrierten Fähigkeiten von MATLAB und Simulink effizienter nutzen und gleichzeitig die Ingenieursqualität verbessern und unnötige Token-Kosten reduzieren.
MathWorks bietet eine Lösung, die den gesamten Prozess vom Training bis zur Bereitstellung nachvollziehbar und verifizierbar macht. Die Toolchain-Fähigkeiten von R2026a lassen sich auf drei Ebenen verstehen: Die Ebene der Algorithmenentwicklung und des Trainings bietet eine vollständige Modellierungs- und Trainingsumgebung, die das Design von Netzwerkarchitekturen wie LSTM, die Optimierung von Hyperparametern und die Verwaltung des Trainingsprozesses unterstützt. Auf der Ebene der Modellintegration und Simulationsvalidierung bietet Simulink Module zum direkten Import trainierter neuronaler Netzwerkmodelle, die eine Simulation des Inferenzprozesses innerhalb von Simulink ermöglichen. Die Version R2026a unterstützt zudem die Simulation von C- und C++-Code im Modell, ohne sprachliche Einschränkungen oder zusätzliche Wrapper. Auf der Ebene der Codegenerierung und Embedded-Bereitstellung können Modelle, die die Simulationsvalidierung bestanden haben, nativ C-Code generieren, der auf automobilen Mikrocontrollern (MCUs) bereitgestellt werden kann.
Diese drei Ebenen bilden einen vollständigen, geschlossenen Kreislauf: Von Daten zu Modellen, von Modellen zur Simulationsvalidierung, von der Validierung zur Codegenerierung und Bereitstellung – jeder Schritt ist nachvollziehbar und wiederholbar. Ein geschlossener Kreislauf bedeutet jedoch nicht Automatisierung. Die Bereitstellung auf MCUs steht weiterhin vor realen Einschränkungen wie Inferenzgeschwindigkeit und Speicherverbrauch. Netzwerkkompression, Pruning und Genauigkeitsverluste sind Abwägungen, die im Engineering-Prozess getroffen werden müssen.
Tihuan Zhang, Systemarchitekturmanager der PDS-Sparte von BorgWarner (China) R&D Co., Ltd., wies darauf hin, dass am schnell rotierenden Motorrotor keine Temperatursensoren installiert werden können. Die traditionelle Flussverkettungsmethode weist im Bereich niedriger Drehzahlen und kleiner Drehmomente große Fehler auf, während die thermische Netzwerkmethode tiefgehende Kenntnisse der Motorkonstruktion und Wärmeübertragung vom Anwender erfordert.
Zhang erklärte, dass der Wert der KI darin liege, komplexe physikalische Modellierung durch datengetriebene Ansätze zu ersetzen und so die Entwicklungshürde zu senken. Das Projekt folgt der MLE-Prozessgruppe von ASPICE 4.0. Durch MLE und SUP.11 wird der maschinelle Lernprozess zu einer bewertbaren, verifizierbaren und nachvollziehbaren Ingenieurstätigkeit. Das Kernziel ist die Reduzierung der Unsicherheit in der Prozesssteuerung, nicht deren Leugnung. Von der Problemdefinition, den Leistungsanforderungen und Betriebsbeschränkungen über die Datenaufbereitung und Hyperparameteroptimierung bis hin zu Komponententests, Robustheitstests und der abschließenden Prüfstand- und Fahrzeugvalidierung hat jeder Schritt klare Prozessanforderungen. Der MBD-Workflow gewährleistet die Nachvollziehbarkeit des gesamten Prozesses von der Datenaufbereitung, dem Netzwerkdesign und -training, der Validierung in der Simulink-Umgebung bis hin zur C-Code-Implementierung und Bereitstellung.
Aus Zhangs Sicht ist der Wert der Technologiewiederverwendung noch entscheidender: KI-Maschinenlernen ermöglicht Wissenstransfer, der nicht nur für Temperaturbereiche, sondern in Zukunft auch auf weitere Bereiche wie Positionssensoren übertragen werden kann. KI-Methoden können zudem den Ressourceneinsatz für Prüfstandskalibrierung reduzieren. Durch die Kombination von Simulation und KI können Algorithmen im parallelen Entwicklungsmodus von Motor und Steuergerät bereits vor der Verfügbarkeit des physischen Motors validiert werden.
Für die chinesische Automobilindustrie-Lieferkette im Wettbewerbsumfeld liegt der Wert der MathWorks-Toolchain darin, Tier-1-Zulieferern zu helfen, in der schnelllebigen Entwicklung durch einmalige Investitionen mehrfach nutzbare Technologien aufzubauen und so die Entwicklungskosten kontinuierlich zu senken.
Aus Branchentrends betrachtet wird 2026 von der Industrie als das Jahr der Agenten bezeichnet. Edge-KI bewegt sich von der Cloud in die physische Welt. Die Mission von MathWorks ist es, die Geschwindigkeit von Ingenieurwesen und Wissenschaft zu beschleunigen, und die MathWorks China Automotive Conference 2026 macht diese Mission zu einer gelebten Ingenieurspraxis.
