Defekte Bauteile dank KI ermitteln
Fehlercodes oder Sensorwerte lassen Mechaniker:innen zwar auf defekte Bauteile schließen, doch dafür ist derzeit ein umfangreiches KFZ-Wissen und viel Zeit gefragt. Die große Menge an unterschiedlichen Fahrzeugtypen verstärkt zudem die Komplexität der Herausforderung. Machine-Learning-Verfahren können dabei helfen, potenziell defekte Bauteile im Fahrzeit automatisiert zu erkennen.
Wie das klappt? Bereits erhobene historische Fahrzeugdaten (wie Fehlercodes, Sensormesswerte und Kilometerstände) werden als Trainingsdaten (Features) für die Modellentwicklung verwendet. Dafür wird die Methode des maschinellen Lernens Feature Engineering genutzt. Mit Feature Engineering wird die Analyse von Daten erleichtert. Dabei spielt es keine Rolle, ob es sich um eine SQL-Datenbank, eine Excel-Liste oder eine andere Datenquelle handelt. Beim Feature-Engineering geht es darum, die gegebenen Daten in eine Form zu bringen, die für Algorithmen leichter zu interpretieren ist.
Anschließend werden als Zielvariable Datenquellen verknüpft, welche Informationen über Bauteile beinhalten, die potenziell defekt beziehungsweise im Fahrzeug ausgetauscht worden sind. Beispieldaten sind Rechnungsdaten von Werkstätten oder Reparaturinformationen von Mechaniker:innen auf dem Diagnosegerät.
Dank der Einbindung von Machine-Learning-Verfahren die Durchführung der Fahrzeugdiagnose effizienter. Die Komplexität aufgrund unterschiedlicher Fahrzeugtypen ist besser beherrschbar.
Lassen Sie sich von uns auf schnellstem Weg interessante und hilfreiche Inhalte zeigen.