Simcenter Testlab 2606: KI-fähige Testdaten nutzen

Simcenter Testlab 2606: KI-fähige Testdaten bereitstellen

ChampionXperience Team

22. September 2026 5 Minuten Lesezeit

Stellen Sie sich die ultimative Abkürzung im Engineering vor: die Vorhersage komplexer Produktleistungen in Sekundenschnelle, anstatt wochenlang physische Testreihen durchzuführen. Das ist das enorme Versprechen von künstlicher intelund maschinellem Lernen in der modernen Fertigung. Doch wer schon einmal versucht hat, historische Testdaten in ein neuronales Netzwerk einzuspeisen, kennt die ernüchternde Realität. KI-Modelle sind extrem empfindlich; sie können nicht zwischen einem echten physikalischen Phänomen und einem fehlerhaften Sensor unterscheiden. Sie lernen einfach beides.

Bisher erfassten wir Testdaten, um hochspezifische, isolierte technische Fragestellungen zu beantworten – nicht um Modelle für maschinelles Lernen zu trainieren. Dadurch verbrachten Datenwissenschaftler und Testingenieure bis zu 80 % ihrer Zeit mit der manuellen Bereinigung, Kennzeichnung und Validierung bestehender Datensätze. Mit der Veröffentlichung von Simcenter Testlab 2606behebt Siemens genau diesen Engpass durch einen einheitlichen, KI-fähigen Datenworkflow, der die Lücke zwischen physikalischen Tests und maschinellem Lernen schließt.

Warum KI-fähige Testdaten der neue Goldstandard im Ingenieurwesen sind

Wenn es um den Einsatz von KI in der Geräusch-, Vibrations- und Rauheitsprüfung (NVH) oder in dynamischen Umwelttests geht, liegt der Engpass selten bei den Algorithmen des maschinellen Lernens selbst. Die eigentliche Herausforderung sind die Daten. Fehlt es Ihren Trainingsdaten an Konsistenz, Nachvollziehbarkeit oder korrekter Annotation, liefert Ihr KI-Modell unzuverlässige Vorhersagen.

Um dieses Problem zu lösen, Simcenter Testlab 2606 auf die Umwandlung von physikalischen Rohmessdaten in strukturierte, verlässliche und wiederverwendbare digitale Assets. Durch die Einrichtung einer durchgängigen Datenpipeline vom Sensor bis zur KI-Trainingsplattform können Entwicklungsteams manuelle Datenbereinigungs-Engpässe beseitigen und ihre Entwicklungszyklen beschleunigen.

Die 7 Säulen KI-fähiger Testdaten im Simcenter Testlab 2606

Siemens hat sieben entscheidende Kriterien definiert, die Testdaten erfüllen müssen, um als wirklich „KI-fähig“ zu gelten. Im Folgenden erläutern wir, wie die neueste Softwareversion jede dieser Anforderungen erfüllt.

1. Qualität

Ein KI-Modell lernt Sensordrift, schwache Beschleunigungssignale oder abgeschnittene Kanäle problemlos, als wären es reale physikalische Phänomene. Hochwertige Datenerfassungshardware ist Ihre erste Verteidigungslinie. Die Verwendung von Simcenter SCADAS- Hardware gewährleistet die Signalintegrität direkt am Messpunkt. Sie bettet wichtige Metadaten – wie Kanalüberlastungen, Sensorverbindungen und Kalibrierungsdaten – direkt in die Datendateien ein und stellt so sicher, dass Ihre Trainingsdaten grundsätzlich verlässlich sind.

2. Gültigkeit

Sind Ihre gespeicherten Dateien tatsächlich korrekt oder hat jemand versehentlich bei einem fehlerhaften Durchlauf gespeichert? Die manuelle Validierung stundenlanger Zeitreihendaten ist mühsam. Im Simcenter Testlab Neoder Prozessdesigner die Validierung von Zeitdaten, Blockergebnissen und Einzelwerten. Durch den automatischen Vergleich von Blockdaten mit Zielkurven oder spezifischen Schwellenwerten erkennt das System Anomalien, bevor diese Ihr Data-Science-Team erreichen.

3. Rückverfolgbarkeit

Ein unbeschrifteter Datensatz ist für ein Machine-Learning-Modell nutzlos. Wenn Sie die Fahrzeugkonfiguration, die Betriebsbedingungen oder die Testumgebung eines bestimmten Laufs nicht sofort identifizieren können, ist er für das Training ungeeignet. Der integrierte Simcenter Editor für beschreibende Datenmodelle und Vorlagen löst dieses Problem, indem er Sie bei der Erstellung ASAM-konformer Annotationsmodelle unterstützt. Sie können bis zu 90 % dieser Metadaten-Labels vor Beginn der Testkampagne vorbelegen, sodass nur noch Echtzeitvariablen (wie Wetterbedingungen) vor Ort ergänzt werden müssen.

4. Vollständigkeit

Für das Training eines zuverlässigen neuronalen Netzes müssen Ihre Datensätze über verschiedene Messkampagnen hinweg konsistent sein. Verwenden verschiedene Bediener unterschiedliche Verfahren, lassen sich die resultierenden Daten nur schwer vergleichen. Die neue Arbeitsmappe „Schedule Acquisition“ in Simcenter Testlab Neo automatisiert und standardisiert Ihre gesamte Messkampagne. Sie führt die Bediener Schritt für Schritt durch Instrumentierung, Durchführung und Berichterstellung und stellt so sicher, dass jeder Test unter identischen Bedingungen durchgeführt wird.

5. Menge

Physische Prototypen sind teuer, und Testteams stehen unter ständigem Druck, weniger physische Tests durchzuführen. KI-Modelle benötigen jedoch riesige Datenmengen. Um diese Lücke zu schließen, Simcenter Testlab 2606 die Ergänzung physischer Messungen durch hochpräzise simulierte Daten. Mithilfe der komponentenbasierten Transferpfadanalyse (C-TPA) und der virtuellen Prototypenmontage können Sie synthetische Datensätze generieren, um kritische Datenlücken zu schließen und Ihre Trainingsbibliothek zu erweitern.

6. Barrierefreiheit

Datenwissenschaftler sollten Testergebnisse nicht mehr mühsam per E-Mail oder Chat suchen müssen. Simcenter Testlab Data Management bietet eine zentral bereitgestellte, ASAM-ODS-konforme Datenbank. Dieses zentrale Repository ermöglicht es Teams, historische NVH-Testdaten abteilungs- und standortübergreifend sofort zu suchen, zu filtern und abzurufen.

7. Konnektivität

Der letzte Schritt besteht darin, Ihre aufbereiteten Daten direkt mit Ihrer Machine-Learning-Umgebung zu verbinden. Simcenter Testlab Workflow Automation (TWA) wurde aktualisiert, um Daten direkt in Ihrer zentralen Datenbank zu suchen und zu verarbeiten. Sie können eine Suchanfrage definieren – beispielsweise alle Messungen von Hybridfahrzeugen, die auf einem bestimmten Testgelände durchgeführt wurden – und das System extrahiert, verarbeitet und exportiert die Daten automatisch direkt in KI-Plattformen wie RapidMiner AI Studio.

Workflow-Vergleich: Traditionell vs. KI-fähig

Um die praktischen Auswirkungen dieser Aktualisierungen zu verstehen, vergleichen wir die Verwaltung von Testdaten in einer traditionellen Testumgebung mit dem automatisierten Workflow der Version 2606.

Datenherausforderung	Traditioneller Testablauf	Simcenter Testlab 2606 Workflow
Datenqualität	Manuelle Logbücher; Sensorfehler bleiben oft bis zur Nachbearbeitung unbemerkt.	Simcenter SCADASembeds Signalintegritäts- und Kalibrierungsdaten direkt.
Validierung	Zeitaufwändige manuelle Überprüfung einzelner Zeitverläufe.	Automatisierte Validierung von Zeit- und Blockdaten über den Prozessdesigner.
Metadatenkennzeichnung	Uneinheitliche Namenskonventionen und verstreute Excel-Tabellen.	ASAM-konforme, vorausgefüllte Vorlagen über das Descriptive Data Model.
Kampagnendurchführung	Bedienerabhängige Verfahren führen zu inkonsistenten Datensätzen.	Geführte, automatisierte Testkampagnen mit Hilfe der geplanten Datenerfassung.
Datenpipeline	Manuelle Dateiübertragungen, E-Mail-Anfragen und benutzerdefinierte Formatierungsskripte.	Direkte Datenbanksuche und automatisierter Export zu RapidMiner AI Studio.

Der Weg zum Prototyping ohne Prototypen

Durch die Integration von physikalischen Tests mit virtueller Simulation und maschinellem Lernen können Entwicklungsabteilungen ihre Arbeitsabläufe um bis zu 60 % effizienter gestalten und gleichzeitig frühzeitig Einblicke in die Systemleistung gewinnen. Ob es um die Risikominimierung bei der Qualifizierung von Raumfahrzeugen durch virtuelle Rütteltests oder die Optimierung von NVH (Geräusch-, Vibrations- und Härteverhalten) in der Automobilindustrie geht – die Möglichkeit, strukturierte, verlässliche und wiederverwendbare Testdaten zu generieren, ist ein entscheidender Vorteil.

Wie geht Ihr Entwicklungsteam aktuell mit dem Übergang zu maschinellem Lernen um? Verbringen Ihre Data Scientists immer noch den Großteil ihrer Zeit mit der Bereinigung alter Dateien, oder haben Sie bereits mit der Automatisierung Ihrer Testdatenpipeline begonnen? Teilen Sie uns Ihre Gedanken in den Kommentaren unten mit!

Dieser Leitfaden basiert auf Erkenntnissen aus dem offiziellen Siemens Blog.