Vorhersage von Motordefekten.
Predictive Maintenance Automotive.
In diesem Projekt haben wir durch die Anwendung von maschinellem Lernen und statistischen Modellen die erwarteten Ausfallzeitpunkte von Bauteilen und Motorkomponenten vorhergesagt.
Herausforderung.
Die Planung anfallender Kosten für Gewährleistungsansprüche sowie die Untersuchung von Einflussfaktoren auf mögliche Ausfälle im Feld ist eine zentrale Fragestellung im Rahmen der Qualitätsanalyse. Unser Kunde, ein internationales Automobilunternehmen, stand vor der Herausforderung, seine Tools zur Prognose der Ausfälle verschiedener Motor- und Antriebskomponenten verbessern zu müssen, um die Planung von anfallenden GW-Kosten zu optimieren.
Ansatz.
Die Modellierung von Ausfallzeitpunkten kann auf verschiedene Arten erfolgen. Best-Practice Ansätze wie Weibull-Analysen sind häufig zu eindimensional um die komplexen Wirkbeziehungen zwischen verschiedenen Einflussfaktoren auf den Ausfall zu berechnen. Komplexere Modelle wie Survival-Modelle oder nichtparametrische Schätzungen der erwarteten Ausfallverteilung bieten flexiblere Möglichkeiten, sind jedoch häufig aufgrund hochdimensionaler Einflüsse und sehr großen Datenmengen keine Option. Zu Berechnung der Ausfallzeitpunkte haben wir ein Machine Learning Modell verwendet, das zum einen die hochdimensionale Datenstruktur adäquat verarbeiten kann und zum anderen eine genaue Prognose der Ausfallzeitpunkte liefert.
Ergebnis.
Das entwickelte Machine Learning Modell zeigte gegenüber dem bestehenden Tool einen signifikanten Lift in der Prognosegüte. Die im Rahmen des Projekts entwickelten Modelle und Erkenntnisse helfen dem Kunden heute, die Planung und Abschätzung der zu erwartenden Gewährleistungskosten bestmöglich durchzuführen. Zur optimalen Nutzung wurde das Modell in eine Dashboard Umgebung implementiert.
Projekt Info.
Branche: Automotive
Thema: Predictive Maintenance
Tools: SQL, R
Aufwand: 3 Monate
Projektlaufzeit: 4 Monate
STATWORX Kontakt.
Ihr Ansprechpartner:
Fabian Müller
Leiter Data Science
Download Case.
Downloaden Sie diese Case Study als PDF zur weiteren Verwendung.