Methodik zur Entwicklung eines datengetriebenen KI-Modells zur Alterungsprädiktion von Fahrzeugkatalysatoren

Alterung von Fahrzeugkatalysatoren stellt eine wesentliche Herausforderung für die Einhaltung zukünftiger Emissionsgrenzwerte dar, insbesondere im Kontext der erhöhten Lebensdaueranforderungen der Euro-7-Norm. Ziel dieser Arbeit ist die Entwicklung eines datengetriebenen Modells zur Prognose der katalytischen Alterung unter realen Betriebsbedingungen. Hierfür wird ein strukturierter Ansatz auf Basis des Prozessmodells CRoss Industry Standard Process for Data Mining (CRISP-DM) angewendet, der eine systematische Aufbereitung, Analyse und Modellierung umfangreicher Fahrdaten ermöglicht. Zur Datenerhebung wurden mehrere Versuchsträger mit zusätzlicher Sensorik ausgestattet und über einen längeren Zeitraum sowohl auf dem Rollenprüfstand als auch im realen Straßenbetrieb betrieben. Die erfassten Zeitreihen umfassen emissionsrelevante Größen wie Temperatur, Stickoxid- (NOx-) Konzentrationen, Lambdawerte sowie fahrdynamische Parameter. Durch eine gezielte Datenvorverarbeitung, unter anderem mittels definierter Konstantpunkte, konnten dynamische Effekte reduziert und eine robuste Zielgröße für den Alterungszustand abgeleitet werden. Auf dieser Basis wurde ein Modell unter Verwendung von Extreme Gradient Boosting (XGBoost) entwickelt und hinsichtlich Prognosegüte und Interpretierbarkeit umfassend validiert. Die Ergebnisse zeigen, dass der entwickelte Ansatz den Alterungsverlauf des Katalysators zuverlässig abbilden und den Zeitpunkt eines möglichen Grenzwertüberschreitens prognostizieren kann. Damit eröffnet die Methodik neue Möglichkeiten für zustandsbasierte Wartungsstrategien, optimierte Betriebsstrategien sowie die Integration prädiktiver Funktionen in zukünftige Steuergerätearchitekturen.