Dieser Beitrag fasst die Ergebnisse der Diplomarbeit „Bewertung des Simulationsverhaltens von Co-Simulations-Werkzeugen für einen Fahrdynamikregelverbund“ von Herrn Andreas Maier an der Fachhochschule Augsburg bei der BMW AG zusammen. Das Ziel der Diplomarbeit war die Evaluierung von auf dem Markt erhältlichen Integrationswerkzeugen für die gekoppelte Simulation um anschließend mit geeigneten Kandidaten den Einfluss der Co-Simulation mittels eines BMW internen Fahrdynamikregelmodells zu untersuchen. Aus der Diplomarbeit wird der Schwerpunkt Analyse präsentiert. Wesentliches Ergebnis dieser Analyse ist der Nachweis für bitidentisches Verhalten einer Co-Simulation mittels Integrationsplattform und eines Co-Simulation reproduzierenden Modells. Als Referenzverhalten wird das Verhalten angesehen, bei dem das originale Gesamtmodell in unabhängige Teilsysteme zerlegt wurde, deren externe Verbindungssignale durchVerzögerungsblöcke ergänzt wurden. Durch diese Maßnahmen kann belegt werden, dass der Einfluss der Integrationsschicht keine unerwarteten Effekte in die Anwendungsschicht einschleppt.
Synthetic Data Generation for AI-Based Quality Inspection of Laser Welds in Lithium-Ion Batteries
(2025)
Manufacturing companies are increasingly confronted with critical challenges such as a shortage of skilled labor, rising production costs, and ever-stricter quality requirements. These challenges become particularly acute when defect types exhibit high visual variance, making consistent and accurate inspection difficult. Traditionally, visual inspection of high variance errors is performed manually by human operators—a process that is both costly and prone to errors. Consequently, there is a growing interest in replacing human inspection with AI-based visual quality control systems. However, the adoption of such systems is often hindered by limited access to training data, labor-intensive labeling processes, or the absence of real production data during early development stages. To address these challenges, this paper presents a methodology for training AI models using synthetically generated image data. The synthetic images are created using Physically Based Rendering, which enables precise control over rendering parameters and facilitates automated labeling. This approach allows for a systematic analysis of parameter importance and bypasses the need for large real training datasets. As a case study, the focus is on the inspection of laser welds in battery connectors for fully electric vehicles—a particularly demanding application due to the criticality of each weld. The results demonstrates the effectiveness of synthetic data in training robust AI models, thereby providing a scalable and efficient alternative to traditional data acquisition and labeling methods. The trained binary classifier reaches a precision of 0.94 with a recall of 0.98 solely trained on synthetic data and tested on real image data.
