Untersuchung der synergetischen Nutzung digital konfigurierbarer DC/DC-Wandler mit eingebetteter KI für eine ressourceneffiziente Betriebsdatenanalyse

Stromversorgung als Informationsquelle Moderne Stromversorgungen liefern nicht nur Energie. Digital konfigurierbare DC/DC-Wandler stellen interne Telemetriedaten bereit, die wertvolle Informationen über den Betrieb angeschlossener Verbraucher enthalten können. Doch lassen sich diese Daten auch für eine zuverlässige Zustandsklassifikation nutzen, ohne zusätzliche externe Sensorik und unter den begrenzten Ressourcen eingebetteter Hardware? Diese Arbeit entwickelt und untersucht eine vollständige telemetriebasierte Analysepipeline für die lokale Zustandsklassifikation technischer Lasten. Anhand eines Demonstrators werden unterschiedliche Telemetrie-Abtastraten, Merkmalskonfigurationen, Machine-Learning-Modelle und Embedded-Plattformen systematisch verglichen. Die Ergebnisse zeigen, dass wandlerinterne Telemetriedaten im untersuchten Kontext eine tragfähige Grundlage für die Zustandsklassifikation bilden. Gleichzeitig wird deutlich, dass die Vorhersagequalität allein nicht über die praktische Eignung einer Lösung entscheidet: Auch Speicherbedarf, Ausführungszeit und Energieverbrauch unterscheiden sich erheblich zwischen den untersuchten Konfigurationen. Die Arbeit führt diese Kriterien in einem reproduzierbaren und implementierungsnahen Bewertungsrahmen zusammen. Dies eröffnet eine neue Perspektive auf digital konfigurierbare DC/DC-Wandler nicht nur als Versorgungskomponenten, sondern als Datenquellen. Dies bietet (auch angehenden) Ingenieurinnen und Ingenieuren in der F&E, die sich mit Leistungselektronik, Embedded Systems, Zustandsüberwachung und Tiny Machine Learning befassen, methodische Anregungen für die Entwicklung und Bewertung eigener eingebetteter Analysesysteme.