Success Story

Ein ausfallsicheres DC-DC-System für eine autonome Fahrzeugplattform eines renommierten deutschen OEMs

Im Jahr 2023 benötigte ein führender Tier-1-Zulieferer, der für das hochgradig autonome Fahrzeugproduktionsprogramm eines renommierten deutschen OEMs arbeitet, ein DC-DC-Stromwandlersystem, das als ausfallsichere Backup-Stromquelle fungieren konnte. Wenn das Hauptsystem ausfiel, musste diese Einheit nahtlos übernehmen und sicherstellen, dass das Fahrzeug weiterhin funktionierte. Ohne dieses System würde das Fahrzeug kritische Stromfunktionen verlieren, was seine Fähigkeit zum sofortigen Ein- und Ausschalten beeinträchtigen würde. Dieses Projekt zeigt, wie softwaredefinierte Intelligenz die Landschaft der Leistungselektronik umgestaltet.

Business & Technology Landscape

Da Fahrzeuge immer autonomer werden, müssen sich Energiesysteme von passiven Komponenten zu intelligenten Wächtern entwickeln. Die Fähigkeit, die Stromversorgung zu regulieren, zu überwachen und zu schützen, ist nicht länger optional – sie ist die Grundlage für Sicherheit und Leistung.

Im Jahr 2023 werden mehrere wichtige Trends die Automobilindustrie maßgeblich beeinflussen, insbesondere in den Bereichen Batteriemanagementsysteme (BMS), AUTOSAR-Standards und Gleichspannungswandler.

Batterie-Management-System (BMS)

Der BMS-Markt erlebte bemerkenswerte Fortschritte, insbesondere mit dem Aufkommen von Elektrofahrzeugen (EVs) und Hybrid-Elektrofahrzeugen (HEVs). Einer der wichtigsten Trends war die Entwicklung und Einführung von kabellosen BMS. Diese Innovation reduziert den Bedarf an umfangreicher Verkabelung, vereinfacht die Installation, senkt die Kosten und minimiert das Risiko von Verkabelungsfehlern.

AUTOSAR (Offene Systemarchitektur für die Automobilindustrie)

AUTOSAR dominiert weiterhin als wichtigster Softwarearchitektur-Standard im Automobilsektor. Im März 2023 lag der Schwerpunkt auf AUTOSAR Adaptive, das auf die Entwicklungsbedürfnisse von autonomen und vernetzten Fahrzeugen ausgerichtet ist. Diese Version unterstützt die komplexen Anforderungen moderner Fahrzeugsoftwaresysteme und verbessert die Flexibilität und Skalierbarkeit.

DC-DC-Wandler

DC/DC-Wandler in der Automobilindustrie haben mit der Integration der Siliziumkarbid (SiC)-Technologie erhebliche Verbesserungen erfahren. Dieser Fortschritt bietet eine höhere Effizienz und Zuverlässigkeit. Zu den wichtigsten Entwicklungen gehörten die Integration in Hochspannungssysteme und verbesserte Schnellschaltfähigkeiten, die zu einer besseren Effizienz der Stromumwandlung in Elektrofahrzeugen führen. Ein weiterer Schwerpunkt war die Nachhaltigkeit mit der Entwicklung umweltfreundlicher Wandler und fortschrittlicher digitaler Funktionen für eine bessere Überwachung und Steuerung. Die steigende Nachfrage aus den Schwellenländern, insbesondere aus dem asiatisch-pazifischen Raum, hat die Innovation und das Marktwachstum weiter vorangetrieben.

Customer Problem Statement

Der Kunde, ein führender Tier-1-Zulieferer, der für das hochgradig autonome Fahrzeugproduktionsprogramm eines renommierten deutschen OEMs arbeitet, benötigte ein DC-DC-Stromumwandlungssystem, das als ausfallsichere Backup-Stromquelle dienen konnte. Er benötigte einen Partner mit Fachwissen in den Bereichen Leistungselektroniksoftware, funktionale Sicherheit, Diagnose und Cybersicherheit.

Acsia Solution

Das Projekt war hochkomplex und umfasste mehr als 800 detaillierte Anforderungen in den Bereichen Leistungsregelung, Echtzeitdiagnose, funktionale Sicherheit und Cybersicherheit. Es musste die ASPICE Level 2 Zertifizierung erfüllen, um sicherzustellen, dass es den Industriestandards entsprach. Um ein zuverlässiges und ausfallsicheres Stromversorgungssystem zu liefern, entschied sich das Tier-1-Unternehmen für Acsia, da das Unternehmen über Fachwissen in den Bereichen Leistungselektroniksoftware, funktionale Sicherheit, Diagnose und Cybersicherheit verfügt.

Ein auf Zuverlässigkeit ausgelegtes System

Der 12V-DC-DC-Stromrichter wurde entwickelt, um kritische Betriebs- und Sicherheitsanforderungen zu erfüllen, wie z.B.:

  • Intelligente Spannungsregulierung, die den Input von der primären Stromquelle aufnimmt, um die Stabilität zu erhalten.
  • Verstärken und verwalten Sie den Energiefluss und sorgen Sie so für eine kontinuierliche und ununterbrochene Stromversorgung.
  • Überwachen Sie Spannung, Strom und Temperatur in Echtzeit und erkennen Sie so potenzielle Ausfälle, bevor sie zu Störungen führen können.
  • Integrieren Sie Cybersecurity-Schutzmaßnahmen zum Schutz vor externen Bedrohungen und unbefugtem Zugriff.
  • Kommunizieren Sie nahtlos mit anderen Fahrzeugsystemen und sorgen Sie so für reibungslose Stromübergänge ohne Unterbrechung.

Um diese Anforderungen in ein funktionsfähiges, reales System zu verwandeln, setzte Acsia eine strukturierte Methodik ein, um die über 800 Anforderungen in eine funktionierende Systemarchitektur zu übersetzen. Dabei wurde jede Funktion in Hardware-, Software- und Betriebskomponenten zerlegt und kategorisiert, um die Übereinstimmung mit Sicherheit, Leistung und Compliance zu gewährleisten. Auf diese Weise wurde sichergestellt, dass jede Systemfunktion sorgfältig auf die ihr zugedachte Rolle abgebildet wurde, was die Implementierung effizient und vorhersehbar machte.

AUTOSAR-Integration

Ein entscheidender Faktor bei der Erfüllung dieser Anforderungen war die Integration des AUTOSAR-Basis-Software-Stacks. Acsia wurde aufgrund seiner umfassenden Erfahrung in den Bereichen AUTOSAR-Konfiguration, -Integration, -Testing und -Validierung sowie seiner Fähigkeit, Aufgaben im Bereich der funktionalen Sicherheit gemäß dem ASPICE V-Modell zu übernehmen, ausgewählt. Der Umfang umfasste:

  • Ableitung der System- und Softwareanforderungen für das Tier-1-Produkt
  • Integration des Vector Bootloaders mit Tier-1 Algorithmen
  • Integration von OEM-spezifischen Anwendungssoftware-Komponenten in den AUTOSAR-Stack
  • Entwicklung und Integration von Diagnosediensten auf der Grundlage von UDS (ISO 14229)
  • Entwicklung und Integration von OBD-Funktionen unter Verwendung des OBD-on-UDS-Protokolls
  • Entwicklung, Validierung und Ausführung von Software-Testfällen in Übereinstimmung mit den ASPICE-Standards
  • Automatisierung von Softwaretests und Ausführung in einer HIL-Umgebung (Hardware-in-the-Loop)

Es wurde eine benutzerdefinierte Anwendungsschicht entwickelt, um die wichtigsten Steuerungsstrategien des DC-DC-Wandlers zu verwalten, einschließlich der Steuerung der Kondensatorvorladung und der Aktivierung des Boost-Modus auf der Grundlage der Eingaben des BMS. Diese Schichtenarchitektur gewährleistet Sicherheit, Rückverfolgbarkeit und Skalierbarkeit der Plattform.

Bei der Entwicklung eines DC-DC-Stromversorgungssystems geht es nicht nur um die Regulierung der Spannung – es erfordert Präzision, die Einhaltung von Sicherheitsvorschriften und eine intelligente Fehlerbehandlung. Acsia hat dafür gesorgt, dass jeder Aspekt des Systems auf Stabilität, Sicherheit und Widerstandsfähigkeit ausgelegt ist.

Ausfallsichere Sicherheit

  • Um die strengsten Sicherheitsstandards der Branche zu erfüllen, hat Acsia diese eingeführt:
  • Eine intelligente Zustandsmaschine, die dynamisch Stromübergänge und Systemwiederherstellung verwaltet.
  • ASIL-D (Hardware) und ASIL-B (Software) Sicherheitsmaßnahmen, die die Einhaltung der Normen für funktionale Sicherheit gewährleisten.
  • End-to-End-Schutz (E2E) für die CAN-Kommunikation, der eine sichere und störungsfreie Datenübertragung garantiert.
  • Die Memory Protection Unit (MPU) sichert kritische Prozesse ab, um unbeabsichtigte Ausfälle zu verhindern.
  • Umfassende Sicherheitsbewertungen, einschließlich HAZOP (Hazard and Operability Analysis), um Risiken zu identifizieren und zu mindern.
  • 99% Testautomatisierung, Beschleunigung der Validierung und Gewährleistung eines hohen Maßes an Systemzuverlässigkeit.

Diese Maßnahmen stellten sicher, dass das DC-DC-Stromversorgungssystem nicht nur betriebsbereit, sondern auch ausfallsicher war und setzten einen neuen Maßstab für intelligente Stromversorgungslösungen.

Business Outcome & Impact

Vollständig einsatzbereit

  • Acsia stellte sicher, dass das DC-DC-Stromversorgungssystem voll funktionsfähig, zertifizierbar und produktionsbereit war. Es erreichte die ASPICE Level 2-Zertifizierung im ersten Anlauf – ein Meilenstein nicht nur für den Lieferanten, sondern für die gesamte Branche – und wurde erfolgreich in die Plattform des OEMs integriert.
  • Der Beitrag von Acsia ging über die typische Softwarelieferung hinaus. Das Team begann damit, jede Anforderung systematisch dem entsprechenden Teilsystem zuzuordnen, um eine vollständige Rückverfolgbarkeit und eine strukturierte Implementierung zu gewährleisten. Das Design orientierte sich an Standards wie ISO 26262, MISRA und Cybersicherheitsprotokollen für die Automobilindustrie.

Innovation auf dem neuesten Stand

  • Verwendung einer dynamischen State-Machine-Architektur, die Leistungsübergänge und Wiederherstellungsvorgänge in Echtzeit bewältigen kann.
  • Es wurden Speicherschutzmaßnahmen eingeführt, um eine Prozessisolierung zu gewährleisten und unbeabsichtigte Ausfälle zu verhindern.
  • Die Kommunikationsschicht des Systems wurde mit einem Ende-zu-Ende-Schutz entwickelt, um die Datenintegrität in CAN-Netzwerken zu gewährleisten.

Selbstbewusst, selbstschützend

  • Um Ausfallsicherheit und Transparenz im großen Maßstab zu gewährleisten, implementierte Acsia einen hochautomatisierten Validierungsprozess, der MIL-, SIL- und HIL-Testumgebungen kombiniert.
  • Außerdem wurden Mechanismen zur prädiktiven Diagnose und Fehlertoleranz integriert, die es dem System ermöglichen, Spannung, Strom und Temperatur kontinuierlich in Echtzeit zu überwachen und Anomalien zu erkennen, bevor sie den Betrieb stören können.

Mehr als nur ein Power Modul

Das System ist in der Lage:

  • Echtzeit-Stromüberwachung und prädiktive Diagnose für eine unterbrechungsfreie Stromversorgung in unternehmenskritischen Anwendungen.
  • Autonome Fehlererkennung und -behebung, bevor sie den Betrieb beeinträchtigen.
  • Gewährleistung langfristiger Stabilität bei gleichzeitiger Einhaltung höchster Sicherheits- und Cybersicherheitsstandards.

Mit automatischer Fehlererkennung, sicherer Kommunikation und vorausschauender Diagnose setzt das System neue Maßstäbe für ein zuverlässiges Energiemanagement.

In einer Zeit, in der die Ausfallsicherheit der Stromversorgung von entscheidender Bedeutung ist, zeigt die Arbeit von Acsia an diesem Projekt, was möglich ist, wenn Software-Intelligenz auf Feinmechanik trifft.

Key Learning

Umfassende Kenntnisse der Vector Tools

Durch dieses Projekt erwarb das Acsia-Team ein umfassendes Verständnis der Vector-Tools wie VTestStudio, DaVinci Configurator und Developer, die für die Konfiguration und den Test AUTOSAR-konformer Systeme entscheidend sind. Dieses Wissen ist für zukünftige Projekte, die eine präzise und effiziente Software- und Hardware-Integration erfordern, von großer Bedeutung.

V Model Expertise

Das Projekt festigte Acsias Fähigkeit, die Stufen SYS.2 bis SYS.5 und SWE.1 bis SWE.6 des V-Modells zu bearbeiten. Dazu gehören die Systementwicklung, die Softwareentwicklung und die Sicherstellung, dass alle Komponenten die erforderlichen Qualitäts- und Sicherheitsstandards erfüllen. Dieses Fachwissen ist für die Verwaltung komplexer Automobilprojekte, die mehrere Entwicklungsstufen und strenge Testprotokolle umfassen, unerlässlich.

Beherrschung der BMS-Architektur

Acsia demonstrierte seine Fähigkeit, Balancer-Modul-Projekte innerhalb der BMS-Architektur zu verwalten. Dabei handelt es sich um die komplizierte Aufgabe, die Zellenspannung innerhalb eines Batteriepacks auszugleichen, um eine optimale Leistung und Langlebigkeit der Batterie zu gewährleisten. Diese Fähigkeit ist besonders wichtig, da die Automobilindustrie weiterhin innovativ ist und immer fortschrittlichere und effizientere Batteriesysteme für Elektrofahrzeuge entwickelt.

Expert Speak

Gururaj Gopal Kulkarni
Gururaj Gopal Kulkarni
Leiter der Auslieferung
Vector
Der Aufbau eines zuverlässigen Stromversorgungssystems für ein autonomes Fahrzeug erforderte mehr als nur technisches Geschick, sondern auch Präzision, Anpassungsfähigkeit und eine enge Abstimmung zwischen den Teams. Von der Konfiguration des Software-Stacks bis zur Implementierung wichtiger Sicherheitsfunktionen ging unser Team jede Herausforderung mit Klarheit und Fokus an. Dieses Projekt war eine Erinnerung daran, wie durchdachte Technik komplexe Systeme sicherer, intelligenter und einsatzbereit machen kann.
Vignesh Anantha Rao
Vignesh Anantha Rao
KMU
Vector
Das Projekt war ein echtes Paradebeispiel für die Fähigkeit von Acsia, hochkomplexe, sicherheitskritische Systeme in großem Maßstab zu liefern. Von der Dekodierung von mehr als 800 Anforderungen bis zum Erreichen der ASPICE Level 2 Zertifizierung im ersten Anlauf spiegelte jeder Meilenstein unsere technische Disziplin und Kundenorientierung wider. Die erfolgreiche Integration von AUTOSAR, die Implementierung von fortschrittlicher Diagnose und Cybersicherheit sowie die 99%ige Testautomatisierung waren nicht nur technische Erfolge - sie haben unsere Position als zuverlässiger Technologiepartner für Mobilitätsplattformen der nächsten Generation gestärkt.
Request a Meeting
AH2025/PS06 | AI/ML

Context

Continuous employee learning is essential for companies to stay competitive in a fast-changing business environment. Organizations adopt Learning Management Systems (LMS) to upskill employees, meet compliance requirements, and support career growth. However, existing LMS platforms often act as content repositories rather than personalized learning assistants.

 

Pain Point

  • Employees are overwhelmed by generic training content and struggle to find relevant courses.
  • Managers lack visibility into skill gaps and training effectiveness.
  • Companies spend heavily on training programs without clear insights into ROI or business impact.
  • Current LMS solutions provide limited personalization and recommendations, leading to low engagement.

 

Challenge

Develop an AI-powered LMS that goes beyond course hosting, by:

  • Mapping employee skills, roles, and career paths to relevant training modules.
  • Using learning analytics to predict skill gaps and recommend personalized learning journeys.
  • Providing managers with team-level insights on training progress and skill readiness.
  • Enabling employees to learn flexibly, with adaptive learning paths based on performance.

 

Goal

Create a smart, data-driven LMS that improves employee engagement, learning outcomes, and workforce readiness while giving leadership clear visibility into training impact.

 

Outputs

  • Personalized learning recommendations for each employee.
  • Skill gap dashboards for managers and HR.
  • Learning progress analytics with completion, performance, and adoption rates.
  • Training ROI insights linked to productivity and career growth.

 

Impact

  • Employees gain relevant, career-aligned skills faster.
  • Managers can strategically deploy talent based on verified skills.
  • Organizations see higher training ROI and improved workforce agility.
  • Creates a culture of continuous learning, driving retention and innovation.
AH2025/PS05 | AI/ML

Context

Continuous employee learning is essential for companies to stay competitive in a fast-changing business environment. Organizations adopt Learning Management Systems (LMS) to upskill employees, meet compliance requirements, and support career growth. However, existing LMS platforms often act as content repositories rather than personalized learning assistants.

Pain Point

  • Employees are overwhelmed by generic training content and struggle to find relevant courses.
  • Managers lack visibility into skill gaps and training effectiveness.
  • Companies spend heavily on training programs without clear insights into ROI or business impact.
  • Current LMS solutions provide limited personalization and recommendations, leading to low engagement.

Challenge

Develop an AI-powered LMS that goes beyond course hosting, by:

  • Mapping employee skills, roles, and career paths to relevant training modules.
  • Using learning analytics to predict skill gaps and recommend personalized learning journeys.
  • Providing managers with team-level insights on training progress and skill readiness.
  • Enabling employees to learn flexibly, with adaptive learning paths based on performance.

Goal

Create a smart, data-driven LMS that improves employee engagement, learning outcomes, and workforce readiness while giving leadership clear visibility into training impact.

Outputs

  • Personalized learning recommendations for each employee.
  • Skill gap dashboards for managers and HR.
  • Learning progress analytics with completion, performance, and adoption rates.
  • Training ROI insights linked to productivity and career growth.

Impact

  • Employees gain relevant, career-aligned skills faster.
  • Managers can strategically deploy talent based on verified skills.
  • Organizations see higher training ROI and improved workforce agility.
  • Creates a culture of continuous learning, driving retention and innovation.
AH2025/PS04 | AI/ML

Context

Software teams struggle to diagnose system failures from massive log files. Manual analysis is slow, error-prone, and requires expert knowledge. Root cause extraction from unstructured, noisy logs. Use creative algorithms, LLM prompting strategies, or hybrid heuristics.

Pain Point

  • Manual log analysis is slow, error-prone, and requires deep expertise in both the system and its environment.
  • Critical issues can be missed or misdiagnosed, leading to longer downtimes and higher costs.
  • Existing monitoring tools often raise alerts without actionable insights, leaving developers to do the heavy lifting.

Challenge

Build an AI-powered log analytics assistant that can:

  • Ingest and parse unstructured application logs at scale.
  • Automatically flag potential defects or anomalies.
  • Summarize possible root causes in natural language.
  • Provide actionable insights that developers can use immediately.

Goal

Deliver a working prototype that:

  • Operates on sample log data.
  • Produces insights that are accurate, usable, and easy to interpret.
  • Bridges the gap between raw log data and developer-friendly diagnostics.

Outputs

  • Automated defect detection (flagging anomalies in logs).
  • Root cause summaries in natural language.
  • Actionable recommendations (e.g., suspected component failure, probable misconfiguration).
  • Visualization/dashboard (if possible) for quick triage.

Impact

  • Reduced time to diagnose failures, lowering downtime and maintenance costs.
  • Increased developer productivity, freeing engineers to focus on fixes rather than sifting logs.
  • Improved reliability of complex software systems.
  • Scalable approach that can be extended across industries (finance, automotive, telecom, healthcare).
AH2025/PS03 | AI/ML

Context

Drivers and passengers spend significant time in vehicles where comfort, safety, and accessibility directly affect satisfaction and well-being. Yet today’s in-car systems remain largely static and manual, requiring users to adjust climate, seats, infotainment, and navigation themselves. With increasing connectivity, AI offers the potential to transform cars into adaptive, intelligent companions.

Pain Point

  • Current in-car experiences are one-size-fits-all, failing to account for individual preferences or needs.
  • Manual adjustments while driving can be distracting and unsafe.
  • Accessibility gaps (e.g., for elderly passengers or those with hearing/visual impairments) remain unaddressed.

Challenge

Build a Generative AI-powered cockpit agent that dynamically personalizes the in-car experience based on contextual data such as:

  • Driver profile (age, preferences, past behaviour).
  • Calendar & journey type (work commute, leisure trip, urgent travel).
  • Mood (estimated from inputs like speech, facial cues, or self-reporting).
  • Accessibility needs (visual/hearing impairments, elderly passengers).

Goal

Deliver real-time, adaptive personalization of:

  • Comfort settings: AC, seat adjustments, lighting.
  • Infotainment: music, podcasts, news.
  • Navigation guidance: route optimization based on urgency, preferences, and accessibility.

Outputs

  • Dynamic in-car assistant that responds to context in real-time.
  • Personalized environment settings for comfort and safety.
  • Adaptive infotainment & navigation suggestions tailored to mood, journey type, and accessibility.

Impact

  • Safer driving experience with fewer distractions.
  • Higher passenger satisfaction through comfort and entertainment personalization.
  • Improved accessibility and inclusivity for diverse user needs.
  • New value proposition for automakers: cars as intelligent, personalized environments, not just vehicles.
AH2025/PS02 | AI/ML

Context

Automotive software development is highly complex, involving multiple tools (Jira, GitHub, MS Teams, Confluence), distributed teams, and strict compliance standards (ISO 26262, ASPICE). Project managers must continuously monitor tasks, track resources, and identify risks. However, the sheer volume of data across tools makes real-time visibility and decision-making difficult.

Pain Point

  • Project managers waste time manually consolidating data from Jira, GitHub, and communication platforms.
  • Resource allocation bottlenecks (overloaded developers, idle testers) often go unnoticed.
  • Risks (delays, defects, dependency issues) are only discovered late, impacting delivery timelines.
  • Lack of predictive insights leads to reactive, rather than proactive, project management.

Challenge

Build an AI-powered project management assistant that can:

  • Auto-generate project dashboards by integrating Jira, GitHub, and MS Teams data.
  • Provide real-time resource allocation insights (who is overloaded, who is free).
  • Predict risks and delays using historical patterns and live progress signals.
  • Deliver natural language summaries for managers and stakeholders.

Goal

Enable project managers to see the full picture instantly, automate reporting, and take data-driven decisions on resources and risks without manual effort.

Outputs

  • Automated project dashboards (progress, backlog, velocity, open PRs/issues).
  • Resource allocation map showing workload distribution across the team.
  • Risk prediction engine (e.g., “Module X likely delayed by 2 weeks due to dependency on Y”).
  • AI-generated summaries (daily/weekly status reports in plain language).

Impact

  • Reduced management overhead → fewer hours wasted on reporting.
  • Improved predictability → early identification of risks and delays.
  • Optimal resource utilization → balanced workloads across teams.
  • Better stakeholder communication → clear, automated updates.
  • Scalable for enterprises → can be deployed across multiple automotive software teams.
AH2025/PS01 | AI/ML

Context

In modern organizations, assembling the right project team is critical to success. Managers must balance skills, experience, cost, availability, and domain expertise, but decisions are often made using intuition or partial information. This leads to suboptimal teams, missed deadlines, or budget overruns.

Pain Point

  • Team formation today is time-consuming and heavily manual, requiring managers to cross-check spreadsheets, HR databases, and project needs.
  • Costs and expertise trade-offs are rarely quantified, making it hard to justify team composition to leadership or clients.
  • Traditional staffing tools focus on availability but fail to optimize across multi-dimensional constraints (skills, budget, past project fit, timeline).

Challenge

Build a Generative AI assistant that takes as input:

  • Employee database (skills, past projects, availability, cost)
  • Customer project requirements (tech stack, timeline, budget, domain)

Goal

Enable managers to form the best-fit, economically feasible project teams in minutes, rather than days, while providing transparency into why each recommendation was made.

Outputs

  • Optimal team composition: Recommended employees, with justification.
  • Economic feasibility analysis: Skill coverage vs cost vs timeline.
  • Alternative team recommendations: Trade-off scenarios (e.g., lower cost, faster delivery, more experienced).

Impact

  • Faster project staffing → quicker project kick-offs.
  • Higher client satisfaction due to right skills on the right project.
  • Lower staffing costs through data-driven optimization.
  • A scalable framework that can be extended for hackathons, consulting firms, or large enterprise project staffing.