Fehlerprognose bei innovativen Fahrzeugprojekten
ein Supper & Supper Use Case
Die Entwicklung und Markteinführung innovativer Fahrzeuge, mit neuen Technologien, stellt eine besondere Heraus-forderung für das Qualitätsmanagement dar. Es gibt keine historischen Informationen und der Prozess kann nicht auf vergangenen Erfahrungen basieren. Für das Qualitätsmanagement ist es wichtig, potenzielle Schadenstypen und deren Faktoren oder Muster zu identifizieren. Für neu entwickelte Fahrzeuge gibt es keine früheren Informationen, bei denen Muster von Fahrzeugkonfigurationen und Fehlermustern zu spezifischen Fahrzeugausfällen führen.
Ziel dieses Projektes war es, einen Algorithmus zu entwickeln, der in der Lage ist, Cluster von Fehlermustern und Fahrzeugkonfigurationen zu identifizieren, welche zu bestimmten Fahrzeugausfällen führen.
Jeder Datenpunkt bestand aus Informationen über die Konfiguration des Fahrzeugs, Daten aus dem Produktionsprozess, dem normierten Protokoll der Fehlermeldungen aus verschiedenen Steuermodulen, aufbereiteten Daten vom Kunden, Problembeschreibungen, Reparaturberichten und der aktuellen Laufzeit des Fahrzeugs.
Die meisten der bereitgestellten Features nominale Daten mit verschiedenen Kategorien. Viele der bereitgestellten Daten aus den Fahrzeugen wurden zu verschiedenen Zeitpunkten des Lebenszyklus aufgenommen. Zusätzlich gab es mehrere Fehlerquellen, die die Genauigkeit des Algorithmus beeinträchtigt haben könnten.
Wir haben einen Feature-Engineering-Ansatz implementiert, der die verschiedenen Phasen des Lebenszyklus berücksichtigt. Die Fehlerereignisvariablen wurden überarbeitet, so dass sie die Relevanz eines bestimmten Fehlerereignisses für ein einzelnes Fahrzeug mit der entsprechenden Relevanz des Fehlerereignisses für alle Fahrzeuge in Beziehung gesetzt wurde. Die überarbeiteten und projizierten Features wurden dann für die Clustering-Algorithmen verwendet. Der beste Algorithmus war der DBSCAN, der durch den Silhouetten Koeffizienten ausgewählt wurde.
Der entwickelte Algorithmus kann zur Identifizierung von Schadensmustern verwendet werden, welche über verschiedene Fahrzeugkonfigurationen verteilt waren.
Fahrzeuge in verschiedenen Phasen ihres Lebenszyklus können nun in das Clustering einbezogen werden.
Kategorie
→ MECHANICAL ENGINEERING
→ Predictive Maintenance
Technologien
Clustering
Survival analysis
Hazard function
Term frequency
inverse document frequency
