Vorhersage von Prüfstandzeiten für variierende Automobilkonfigurationen
Noch bevor Fahrzeuge die Fabriken verlassen, müssen Automobilhersteller deren Sicherheit und Zuverlässigkeit durch Prüfstandmessungen gewährleisten. Mit den unterschiedlichen Konfigurationsmöglichkeiten der Fahrzeuge gehen unterschiedliche Testzeiten einher. In der Automobilindustrie handelt es sich bei den Testständen um kritische Engpassressourcen, bei denen es Doppelbelegungen und Leerläufe zu vermeiden gilt. Ziel des Projektes war deshalb ein Modell zu entwickeln, das präzise die Testzeit bestimmt, welche ein Fahrzeug in der jeweiligen Konfiguration auf dem Prüfstand verbringen wird, sodass die Planbarkeit der Prüfstandbelegungen optimiert werden kann.
Der Trainingsdatensatz beinhaltete 4.200 Fahrzeugkonfigurationen mit den zugehörigen Testzeiten sowie 400 Features. Der Testdatensatz umfasste 4.200 neue Fahrzeugkonfigurationen mit den gleichen Features. Jedoch fehlten hier die entsprechenden Testzeiten.
Die erste Herausforderung lag darin, dass für die große Anzahl an Features verhältnismäßig wenige Datenpunkte zur Verfügung standen und daher mittels Dimension Reduction zunächst die wichtigsten Features bestimmt werden mussten. Im Vergleich mit anderen Datenanalyse-Techniken, gelang es mit der Multiple Correspondence Analysis (MCA) ohne Informationsverlust die 400 Features auf insgesamt lediglich 14 zu reduzieren. Daher diente diese anschließend als Basis für das zu entwickelnde Machine Learning-Modell. Die zweite Herausforderung stellte die Wahl des geeignetsten Regressionsalgorithmus dar, da sich anwendbare Algorithmen in ihrem Grundsatz ähneln. Der Trainingssatz wurde mittels Cross Validation gesplittet. Nach dem Parameter-Tuning des gewählten Algorithmus konnte eine Vorhersage für den ursprünglichen Testdatensatz vorgenommen werden. Mangels Daten konnten zudem externe Störfaktoren nicht im Machine Learning Modell berücksichtigt werden.
Mit dem entwickelten Machine Learning-Modell ist es möglich, die Prüfstandzeiten für alle Fahrzeugkonfigurationen vorherzusagen. Damit können die Testzyklen künftig effizienter ablaufen und sowohl Belegung als auch Taktung der Prüfstände noch besser optimiert werden. Außerdem konnten die Schlüsselfaktoren identifiziert werden, die einen Einfluss auf die Testzeitlänge eines Fahrzeugs haben.
