Die NorCom Information Technology GmbH & Co. KGaA hat erfolgreich ein seit Anfang des Jahres laufendes KI-Projekt bei einem deutschen Automobilhersteller zur Prädiktion abgeschlossen. NorCom unterstützte den Kunden dabei, auf Basis eines KI-Modells Voraussagen für im Fahrbetrieb festgestellte Fehlercodes zu treffen. Thematisch ist das Projekt dem größeren Feld der Fehler-Ursachen-Analyse (Root Cause Analysis) zugeordnet. In einem geplanten Folgeprojekt sollen die gewonnenen Erkenntnisse als Grundlage für die Entwicklung mehrerer KI-Apps zu verschiedenen Aspekten der Ursachenanalyse dienen.
Stufenweise Umsetzung der Root Cause Analysis
Die Root Cause Analysis ermittelt, wie, warum und wann ein problematisches Ereignis auftritt. Ziel ist, durch die Ursachenanalyse ein auftretendes Problem in der Zukunft systematisch vermeiden zu können, anstatt es im Nachhinein zu lösen. Auch liefern die Ergebnisse der Ursachenforschung wichtige Informationen, um zugrundeliegende Fehlerursachen zu ermitteln und diese kosteneffizient und kundenfreundlich beheben zu können.
Im Rahmen der Serienbetreuung werden von allen verkauften Fahrzeugen, soweit die Besitzer eingewilligt haben, auftretende Fehlercodes überwacht und ausgewertet. NorCom unterstützt mit der Prädiktion diese Fehlercode-Analyse. Die Prädiktion basiert auf einem KI-Trainingsmodell und untersucht Zusammenhänge zwischen Fehlercodes und parallel auftretenden internen wie externen Faktoren.
In die Trainingsdaten fließen Belastungskollektive, Dauerlaufdaten und Fehlerumgebungsdaten ein, die direkt zur Fahrzeit berechnet werden, ebenso wie die aufgelaufenen Fehlercodes. Die Fehlercodes können so in Beziehung zu äußeren Umständen wie Fahrhäufigkeit, Ort, Wetterbedingungen oder Fahrgeschwindigkeit gesetzt werden. Aber auch Instrumente und Sensoren innerhalb des Autos, sowie deren Wechselwirkungen, fließen in die Auswertung mit ein.
„Die Aufgabenstellung des Kunden war prädestiniert für die anspruchsvolle Datenanalyse, wie wir sie mit DaSense durchführen können“, kommentiert Dr. Tobias Abthoff das Projekt. „Unsere Lösung verarbeitet riesige Mengen an Rohdaten, die aufgrund ihrer Heterogenität und ihres Umfangs nicht durch Menschen überschaubar und interpretierbar sind. Die Auswertung durch eine Künstliche Intelligenz und das Herstellen von Korrelationen gibt den Daten neue Bedeutung. Insbesondere Zusammenhänge, die nicht offensichtlich sind, sind wesentlich für die weitere Optimierung von Fahrzeugen.“
Ausblick
In einem geplanten Folgeprojekt sollen die gewonnenen Erkenntnisse aus der Prädiktion als Grundlage für die Entwicklung weiterer KI-Apps zur Root-Cause-Analysis dienen, die dann vom Kunden produktiv eingesetzt werden können.
Stufenweise Umsetzung der Root Cause Analysis
Die Root Cause Analysis ermittelt, wie, warum und wann ein problematisches Ereignis auftritt. Ziel ist, durch die Ursachenanalyse ein auftretendes Problem in der Zukunft systematisch vermeiden zu können, anstatt es im Nachhinein zu lösen. Auch liefern die Ergebnisse der Ursachenforschung wichtige Informationen, um zugrundeliegende Fehlerursachen zu ermitteln und diese kosteneffizient und kundenfreundlich beheben zu können.
Im Rahmen der Serienbetreuung werden von allen verkauften Fahrzeugen, soweit die Besitzer eingewilligt haben, auftretende Fehlercodes überwacht und ausgewertet. NorCom unterstützt mit der Prädiktion diese Fehlercode-Analyse. Die Prädiktion basiert auf einem KI-Trainingsmodell und untersucht Zusammenhänge zwischen Fehlercodes und parallel auftretenden internen wie externen Faktoren.
In die Trainingsdaten fließen Belastungskollektive, Dauerlaufdaten und Fehlerumgebungsdaten ein, die direkt zur Fahrzeit berechnet werden, ebenso wie die aufgelaufenen Fehlercodes. Die Fehlercodes können so in Beziehung zu äußeren Umständen wie Fahrhäufigkeit, Ort, Wetterbedingungen oder Fahrgeschwindigkeit gesetzt werden. Aber auch Instrumente und Sensoren innerhalb des Autos, sowie deren Wechselwirkungen, fließen in die Auswertung mit ein.
„Die Aufgabenstellung des Kunden war prädestiniert für die anspruchsvolle Datenanalyse, wie wir sie mit DaSense durchführen können“, kommentiert Dr. Tobias Abthoff das Projekt. „Unsere Lösung verarbeitet riesige Mengen an Rohdaten, die aufgrund ihrer Heterogenität und ihres Umfangs nicht durch Menschen überschaubar und interpretierbar sind. Die Auswertung durch eine Künstliche Intelligenz und das Herstellen von Korrelationen gibt den Daten neue Bedeutung. Insbesondere Zusammenhänge, die nicht offensichtlich sind, sind wesentlich für die weitere Optimierung von Fahrzeugen.“
Ausblick
In einem geplanten Folgeprojekt sollen die gewonnenen Erkenntnisse aus der Prädiktion als Grundlage für die Entwicklung weiterer KI-Apps zur Root-Cause-Analysis dienen, die dann vom Kunden produktiv eingesetzt werden können.
