GSaME C2-021

Dieses Projekt ist Teil der Nachwuchsgruppe IKT-Plattform für die Produktion.

Im Rahmen der Digitalisierung erproben Unternehmen den effektiven Einsatz von maschinellen Lernverfahren zur Umsetzung datengetriebener Anwendungsfälle. Ein zentraler Anwendungsbereich ist die Vorhersage der Produktqualität. In diesem Forschungsprojekt wird untersucht, wie Fahrzeughersteller maschinelle Lernverfahren für die Prognose von Fahrzeugausfällen effektiv einsetzen können. Dabei sind insbesondere frühzeitige Fahrzeugausfälle innerhalb der Garantiezeit von Interesse, da diese auf Seiten des Fahrzeugherstellers hohe Kosten für den Austausch von Teilen verursachen und zur Unzufriedenheit der Kunden führen.  Wesentlich ist hierbei, dass für einzelne Bauteile eines Fahrzeugs, wie z. B. dem Motor, dem Getriebe oder der Kupplung, verschiedene Varianten existieren, die alternativ verbaut werden können und die Ausfallwahrscheinlichkeit beeinflussen. Die Idee ist, mithilfe maschineller Lernverfahren aus den Daten zu bereits in Kundennutzung befindlichen Fahrzeugen zu lernen, welche Kombinationen der verbauten Bauteilvarianten besonders ausfallgefährdet sind. Dies kann dann auf noch zu produzierende Fahrzeuge angewendet werden. So können für diese Fahrzeuge die Bauteilvarianten so gewählt werden, dass die Fahrzeuge insgesamt robuster sind und nicht während des Garantiezeitraums ausfallen.

Dieses maschinelle Lernproblem ist von hoher Komplexität geprägt, was auf die Verfügbarkeit und die Charakteristika der Daten zurückzuführen ist. Beim Umgang mit dieser Komplexität treten zwei Herausforderungen auf, die gleichermaßen adressiert werden müssen. Zum einen fallen Fahrzeuge erst nach einer gewissen Zeit aus. Dies hat zur Folge, dass die eigentlichen Muster für ausfallgefährdete Fahrzeuge in den Daten erst nach einer gewissen Zeit sichtbar werden. Zum anderen verändert sich mit der Zeit die Konfiguration der bestellten Fahrzeuge, so dass ebenso mit der Diversität in den Daten umgegangen werden muss. Diese Herausforderungen sind in den wissenschaftlichen Kontext verschiedener Arten von „Dataset Shifts“ einzuordnen.

Im Rahmen dieses Projekts wurden bestehende Ansätze aus der Literatur zur Behandlung von Dataset Shifts hinsichtlich ihrer Eignung zur Adressierung der o. g. Herausforderungen analysiert. Dabei wurde festgestellt, dass inkrementelle und fensterbasierte Ansätze zwar isoliert je eine Herausforderung, jedoch nie beide Herausforderungen adressieren. Daher wurden verschiedene Datenvorverarbeitungs- und Klassifizierungstechniken getestet und ein Ansatz entwickelt, der bereits gute Ergebnisse bei der Vorhersage von Fahrzeugausfällen liefert. Dieser Ansatz wird nun im weiteren Verlauf der Arbeit iterativ mit dem Ziel verbessert, einen ganzheitlichen Ansatz zur Adressierung beider Herausforderungen zu entwickeln.

Dieses Projekt wird von der Daimler Truck AG im Rahmen der Graduate School of Excellence advanced Manufacturing Engineering (GSaME) gefördert.