IAV Hirundo

Erhalten sie Einblick in zukünftige Flottenlaufleistungen und zugehörige Ausfälle. Die Probabilistische Lebensdauerprognose ermöglicht präzise Schätzungen und liefert gleichzeitig Informationen zur Zuverlässigkeit der Daten.

Warum Hirundo?

Highlights

Zugang zu IAV Hirundo

Ansprechpartner

Anfrage

Warum Hirundo?

Autohersteller möchten den Zustand ihrer Pkw-Flotten im Feld bewerten, um Ausfallrisiken einzelner Komponenten abschätzen zu können. Die genaue Kenntnis des Alterungszustandes ermöglicht die bedarfsgerechte Wartung und reduziert damit die Anzahl der Ausfälle.

Bei Prognose der Ausfallraten in die Zukunft kommen weitere Vorteile dazu. So lassen sich zukünftige Gewährleistungskosten abschätzen und die Bevorratung von Ersatzteilen besser planen. Das patentierte IAV-Verfahren der Probabilistischen Lebensdauerprognose zielt genau auf diese Fragestellungen ab.

Die Methode ermöglicht die Vorhersage zukünftiger Ausfälle durch Analyse der fahrzeugindividuellen Laufleistungen und der aktuellen Ausfallstatistik. Kern des Verfahrens ist der Einsatz probabilistischer Modelle, die die Vorteile des maschinellen Lernens und der Statistik vereinen. Dadurch lassen sich alle Unsicherheiten in den Daten berücksichtigen und für die Auswertung sichtbar machen.

Durch vollständige Automatisierung entfallen aufwändige Schritte der Datenbereinigung und Modellanpassung, so dass eine einfache, skalierte Nutzung auch für Nicht-Experten möglich ist. Das Verfahren ist in Microsoft Azure als Machine Learning Pipeline implementiert und über viele Anwendungsfälle validiert. Aktuell läuft die Umsetzung als Software-as-a-Service Anwendung in AWS.

Automatische Datenbereinigung

Die eingelesenen Flotten- und Ausfalldaten werden in mehreren Schritten bereinigt und so aufbereitet, dass sie sicher weiterverarbeitet werden können. Dabei werden nicht nur ungültige und doppelte Werte, sondern auch nicht-monotone Einträge entfernt. Das Verfahren wurde anhand vieler realer Testfälle robustifiziert, so dass dieser Schritt komplett automatisiert ablaufen kann. Anwender ersparen sich damit die zeitaufwändige Filterung einzelner Daten von Hand.

Automatische Modellwahl

Für die vorliegenden Ausfalldaten wird automatisiert eine optimale Modellstruktur gesucht, um die tatsächliche Anzahl der Ausfallkomponenten zu bestimmen. Dafür werden verschiedene Modellkandidaten mit dem Expectation Maximization Algorithmus trainiert und miteinander verglichen. Anhand statistischer Kriterien wird die optimale Struktur bestimmt, so dass kein manueller Eingriff notwendig ist. Das macht die Anwendung auch für Nicht-Experten möglich.

Fahrzeugindividuelle Laufleistungsschätzung

Die Probabilistische Lebensdauerprognose ermittelt für jedes Fahrzeug ein individuelles Alterungsmodell. Damit ist eine wesentliche genauere Schätzung der Laufleistungsverteilung einer Flotte als mit der weit verbreiteten Drei-Punkt-Schätzung möglich. Die zugrunde liegenden Alterungsmodelle sind als probabilistische Verfahren in der Lage, die zukünftige Alterung als Wahrscheinlichkeitsverteilung darzustellen. Dafür werden je nach Datenlage die fahrzeugindividuellen Daten oder Flotteninformationen genutzt.

Berücksichtigung von Unsicherheiten

Das Verfahren basiert auf dem konsequenten Einsatz probabilistischer Modelle, sowohl für die Laufleistungsschätzung als auch für die Ausfallwahrscheinlichkeit. Die in den daten zugrunde liegenden Unsicherheiten werden innerhalb beider Modelle berücksichtigt und miteinander verrechnet. Dadurch liefert das Verfahren nicht nur eine einzelne Punktschätzung, sondern die gesamte Auftretenswahrscheinlichkeit.

Vorhersage der Ausfälle

Bei der alleinigen Betrachtung der Lebensdauerkurve ist nur eine pauschale Aussage zur Anzahl an Ausfällen bei einem bestimmten Kilometerstand möglich. In der Realität fahren die Fahrzeuge aber unterschiedlich, und es gibt keine Flotte, bei der alle Fahrzeuge den gleichen Kilometerstand aufweisen. Für die Vorhersage der Anzahl an Ausfällen betrachtet die Probabilistische Lebensdauerprognose daher die fahrzeugindividuelle Laufleistung und prognostiziert diese in die Zukunft, um aus fahrzeugindividuellen Ausfallrisiken auf die zukünftigen Ausfälle zu schließen.

IAV Hirundo erleben:

IAV Hirundo im AWS Marketplace

Kontakt

Dr. Jan Gieseler

jan.gieseler@iav.de LinkedIn

Dominik Gütermann

dominik.guetermann@iav.de LinkedIn

Kontakt

"*" indicates required fields

URL

This field is for validation purposes and should be left unchanged.

Name*

First name Last name

Email address*

Enter e-mail Confirmation e-mail

Message*

How can we help you*

Further contact details

This field is hidden when viewing the form

Company

Name of the company Department

Phone

This field is hidden when viewing the form

Data privacy statement
Privacy has a high priority for IAV. Therefore we want to offer you and your privacy the highest possible security, also when visiting our homepage. With this statement we will inform you about the processing of your personal data and rights you are entitled to under Data privacy statement. All fields marked with a "*" are mandatory.

Captcha