Prädiktion einer langfristigen Fahrzeugzustandsänderung anhand virtueller datengetriebener Sensormodelle
Die immer weiterwachsende Digitalisierung in der Automobilindustrie ermöglicht eine vermehrte Nutzung und Analyse von Fahrzeug(flotten)daten. Die Nutzung dieser Flottendaten verspricht ein hohes Wertschöpfungspotenzial für zukünftige Mehrwertdienste. Dem Kunden können frühzeitig umfangreiche prädiktive Wartungs- und Reparaturinformationen mit Hilfe von datengetriebenen Analysemethoden bereitgestellt werden. In dieser Arbeit wird eine langfristige Fahrzeugzustandsänderung anhand virtueller datengetriebener Sensormodelle untersucht. Als Grundlage dafür werden dynamische CAN-Daten von internen Fahrzeugflotten verwendet. Im weiteren Verlauf wird ein Konzept entworfen, welches die Schritte der Datenvorverarbeitung und des Data-Minings in Anlehnung an den Prozess der Knowledge Discovery in Databases (KDD) konkretisiert. Mit Hilfe geeigneter Vorverarbeitungen wie z.B. Clusterverfahren und Merkmalsextraktionen kann die Menge der Eingangsdaten reduziert werden. Im Rahmen dieser Vorverarbeitung werden die unterschiedlichen Signale unüberwacht gruppiert. Aus Sequenzen werden statistische Merkmale extrahiert und zur weiteren Verarbeitung genutzt. Unter Anwendung von Regressionsmethoden ist eine Extraktion relevanter Muster und Regeln aus den Daten möglich. Anhand eines konkreten Beispiels aus der Automobilindustrie wird dieses Vorgehen validiert. Diese Arbeit kann dazu beitragen den steigenden Durchsatz digitaler Daten gezielt zu reduzieren. Es wird gezeigt, dass durch die Verwendung geeigneter Methoden des maschinellen Lernens die Eingangsdatenmenge um ein Vielfaches reduziert und gezielt für (Alterungs-) Vorhersagen genutzt werden kann.
The digitization in the automotive industry enables analysis of vehicle (fleet) data. The use of this fleet data for future value-added services promises high value creation potential. Furthermore, the customer can be provided with extensive predictive maintenance and repair information at an early stage using data-driven analysis methods. In this work, a long-term vehicle state change is investigated using virtual data-driven sensor models. Dynamic CAN data from internal vehicle fleets are used as a basis for this. In the further course, a concept will be designed that specifies the steps of data preprocessing and data mining based on the process of knowledge discovery in databases (KDD). The amount of input data can be reduced with the help of suitable preprocessing such as cluster methods and feature extraction. As part of this preprocessing, the different signals are grouped unsupervised. Statistical features are extracted from sequences and used for further processing. Relevant patterns and rules can be extracted from the data using regression methods. This procedure is validated using a concrete example from the automotive industry. This work can help to reduce the increasing throughput of digital data in a targeted manner. It is shown that by using suitable methods of machine learning, the amount of input data can be reduced many times over and used specifically for (aging) predictions.
Vorschau
Zitieren
Sass
Zugriffsstatistik
Rechte
Nutzung und Vervielfältigung:
Alle Rechte vorbehalten