跳转至

基于推理的汽车电气/电子组件鲁棒性验证

文章背景与核心概要

本文提出了一种基于本体（Ontology）的方法，旨在简化汽车电气/电子（E/E）组件复杂的鲁棒性验证（Robustness Validation, RV）流程。通过将RV流程、应力轮廓、运行轮廓以及负载轮廓（统称为任务轮廓，Mission Profiles, MPs）中的知识形式化为OWL（Web Ontology Language），并利用SWRL（Semantic Web Rule Language）进行基于规则的值传播，该框架取代了容易出错的手动流程，实现了自动化的分析选择和稳健的决策支持。

该方法通过汽车电力电子领域的工业用例进行了验证，并通过AEC Q100标准中的应力测试选择进行了泛化推广。实验结果表明，该方法在减少设计时间、提高全面性以及确保准确的数据供应方面带来了显著改进。

文档元数据 (Document Metadata)

字段 详情
arXiv 标识符 arXiv:2608.16421 [cs.AI]
作者 Jan Novacek, Alexander Viehl, Oliver Bringmann, Wolfgang Rosenstiel
主要主题 人工智能 (cs.AI)
提交日期 2026年8月17日提交；2026年8月31日最后修订（v2版本）
期刊参考 International Journal of Semantic Computing, Vol. 11, No. 4, pp. 473-496, 2017
相关 DOI 10.1142/S1793351X17400190

摘要 (Abstract)

本文提出了一种基于本体的方法，以解决汽车电气/电子（E/E）组件鲁棒性验证（RV）流程的复杂性。该方法利用了来自RV流程、应力、运行和负载轮廓（即任务轮廓，MPs）的形式化知识。与工业界现有的、容易出错的手动流程相比，我们展示了如何在OWL中将组件特征形式化，从而为RV过程中的高效自动化分析选择和决策支持奠定基础。此外，文章还描述了在通过SWRL进行传播时，对组件特征进行的基于规则的转换。所提出的方法基于将MPs映射到OWL表示的想法，允许针对MP数据执行语义查询，以改善其与RV流程的集成。由此产生的本体支持应用框架已应用于汽车电力电子领域的工业用例。通过将其应用于AEC Q100标准中的应力测试选择，描述并证明了该方法的泛化能力。我们提出的实验结果表明，通过自动化分析选择步骤以及提供所有相关数据，RV流程在减少设计时间和提高全面性方面得到了显著改善。

This article presents an ontology-supported approach to tackle the complexity of the Robustness Validation (RV) process of automotive electrical/electronic (E/E) components. The approach uses formalized knowledge from the RV process and stress, operating, and load profiles, so-called Mission Profiles (MPs). In contrast to the error-prone industrially established manual procedure, we show how component characteristics are formalized in OWL in order to form the foundation of an efficient automated analysis selection and decision support during the RV process. Additionally, a rule-based transformation of component characteristics upon propagation via SWRL is described. The proposed approach is based on the idea of mapping MPs to an OWL representation in order to allow to execute semantic queries against MP data to improve their integration into the RV process. The resulting ontology-supported application framework has been applied to an industrial use-case from automotive power electronics. A generalization of the approach is described and demonstrated by applying it to stress test selection within the AEC Q100 standard. We present experimental results showing that the RV process can be significantly improved in terms of reduced design time and increased exhaustiveness by automating the analyses selection step and the provisioning of all the relevant data to be used.

版本 2 的关键增强 (Key Enhancements in Version 2)

  • 大幅扩展了原 2017 年 ICSC 期刊论文的内容。
  • 增加了 PMML（预测模型标记语言，Predictive Model Markup Language）集成。
  • 引入了安装点归一化（mounting-point normalization）。
  • 结合了基于 SWRL 的值传播和电磁干扰（EMI）阈值检查。
  • 扩展了对 AEC-Q100 应力测试和过程变更资格认证的应用。
  • Substantially extended journal version of the original ICSC 2017 paper.
  • Added PMML (Predictive Model Markup Language) integration.
  • Introduced mounting-point normalization.
  • Incorporated SWRL-based value propagation and Electromagnetic Interference (EMI) threshold checking.
  • Expanded application to AEC-Q100 stress-test and process-change qualification.

访问与资源 (Access and Resources)