Logo

Hella Gutmann

KI-gestützte Diagnose

Das Ziel dieses Pilotprojekts ist die Entwicklung und Erprobung von Verfahren zur automatisierten Erkennung potentiell defekter Bauteile im Fahrzeug mit Hilfe Künstlicher Intelligenz.

Motivation

Bei der Fahrzeugdiagnose werden anhand von Fehlercodes und Sensorwerten potentiell defekte Bauteile im Fahrzeug ermittelt. Derzeit setzt die Fahrzeugdiagnose in einer Werkstatt umfassende KFZ-Kenntnisse voraus und ist mit einem umfangreichen Arbeitsaufwand verbunden. Erschwerend kommt hinzu, dass die voranschreitende Elektrifizierung des Automobils zu einer stetigen Komplexitätszunahme bei der Fahrzeugdiagnose führt.

Projektbeschreibung

Ziel des Projekts ist die Entwicklung und Erprobung von Verfahren zur automatisierten Erkennung potentiell defekter Bauteile im Fahrzeug mit Hilfe Künstlicher Intelligenz. Dazu sollen insbesondere geeignete Verfahren zur Datenvorverarbeitung sowie dem Trainieren von Machine Learning Modellen mit Hilfe von Fahrzeugdaten entwickelt und validiert werden. Des Weiteren werden gängige Modelle aus dem Bereich des Maschinellen Lernens bzgl. ihrer Anwendbarkeit zur Fahrzeugdiagnose evaluiert und zu einem Vorhersagemodell für defekte Bauteile integriert. Das Vorhersagemodell wird von KFZ-Experten validiert und in einen Demonstrator für die KI-gestützte Fahrzeugdiagnose überführt. Zusätzlich wird ein Testing Framework für die fortwährende Integration neuer Daten mit Hilfe von Active Learning Ansätzen entwickelt. Neben dem Demonstrator und dem Testing Framework entsteht im PP4 auch eine umfangreiche Sammlung an Best Practices für die Datenverarbeitung sowie die Entwicklung und Validierung von Machine Learning Modellen in der Produktentstehung.

Die Umsetzung

Zur Realisierung des Projektvorhabens sind folgende Arbeitsschritte geplant:

  • Data Cleaning: Analyse und Aufbereitung der Datenbasis durch KFZ-Experten und Data Engineers. Dabei stehen insbesondere die Exploration der Rohdaten, die Sichtung der aufbereiteten Daten durch KFZ-Experten sowie die Implementierung von Verfahren zur Datenbereinigung im Vordergrund.
  • Extract-Transform-Load (ETL) Pipeline: Entwicklung einer ETL-Pipeline zur Integration weitere Datenquellen. Mögliche Datenquellen sind bspw. Rechnungsdaten und Logging-Daten.
  • Modellentwicklung: Bewertung, Auswahl und Integration gängige Machine Learning Modelle zur Vorhersage potentiell defekter Bauteile im Rahmen einer Fahrzeugdiagnose. Das Ergebnis ist ein neues aggregiertes Vorhersagemodell für die Fahrzeugdiagnose.
  • Modellvalidierung: Validierung des entwickelten Vorhersagemodells durch Domänenexperten aus dem KFZ-Bereich. Das Feedback der Domänenexperten wird zur schrittweisen Optimierung des Vorhersagemodells genutzt.
  • Testing Framework: Entwicklung eines Frameworks zur Administration des Vorhersagemodells sowie der eingesetzten Datenbasis. Dieses soll insbesondere die Erstellung von Reports zum Modell und der eingesetzten Datenbasis sowie die Integration von neuen Daten durch Active Learning ermöglichen.

Projekte

Düspohl

düspohl

In diesem Projekt soll ein Einrichtprozess in einem automatisierten Fertigungsprozess mithilfe von KI optimiert werden und das bisher noch manuelle „Einteachen“ ablösen. Darüber hinaus soll die voraussichtliche Herstellbarkeit neuer Produktspezifikationen automatisiert beurteilt werden können. Dieses Pilotprojekt wird von düspohl Maschinenbau GmbH und dem Fraunhofer IEM vorangetrieben.

Mehr erfahren
Claas Logo

CLAAS

Künstliche Intelligenz hat das Potenzial die Art und Weise wie gearbeitet und gewirtschaftet wird grundlegend zu verändern. Dieses Potential hat CLAAS GmbH & Co. KGaA, ein international agierender Landmaschinenhersteller, erkannt und erprobt im KI-Marktplatz gemeinsam mit den Fraunhofer-Instituten IEM und IPK einen speziellen Use Case für die Integration von KI in Computer Aided Design (CAx).

Mehr erfahren
ubermetrix

Ubermetrics

Ziel des Projektes von Ubermetrics ist eine KI-Anwendung, die relevante Informationen aus unstrukturierten oder semi-strukturierten Texten (z.B. Onlinebewertungen, Beschwerde-Emails, Serviceberichte, Reklamationsreports) extrahiert, analysiert und einem Entwickler systematisch verfügbar macht. Die Anwendung kann beispielsweise im Rahmen der gezielten Optimierung von Systemkomponenten genutzt werden.

Mehr erfahren
Westaflex_RGB-1-1024×156

Westaflex

Im Fokus des Projektes von Westaflex mit dem Fraunhofer IEM steht eine KI-Anwendung, mit deren Hilfe die Reihenfolgenplanung von Fertigungsaufträgen optimiert wird. Dazu sollen Echtzeitdaten aus der Produktionssteuerung sowie von Maschinen ausgewertet werden, um Hinweise für die optimalen Maschinenbelegungen zu extrahieren.

Mehr erfahren
DN_Logo_V_CMYK

Diebold Nixdorf

Wie können Service-Techniker optimal unterstützt werden? Dieser Frage widmet sich ein Pilotprojekt von Diebold Nixdorf Systems gemeinsam mit dem Fraunhofer IOSB-INA. Ziel ist es, eine KI-Anwendung zu entwickeln, die Service- und Sensordaten von Geldautomaten aus dem Feld ausliest und analysiert. Darauf aufbauend sollen differenzierte Reparaturanweisungen für Servicetechniker generiert werden. Als Datenbasis dient eine existierende Serviceplattform.

Mehr erfahren
Hella_Aglaia

Hella Aglaia

Schild, Baum oder Mensch? Damit selbständig fahrende Autos ihre Umgebung wahrnehmen können, müssen große Bild- und Videodaten ausgewertet und Objekte wie Schilder, Bäume oder Fußgänger präzise gekennzeichnet werden. Mit den markierten Daten wird ein Algorithmus trainiert, der beim autonomen Fahren zum Einsatz kommt. Ziel des Projektes mit Hella Aglaia und dem Fraunhofer IEM ist eine Lösung zur Analyse und Annotation von Video-Daten sowie dem Training und der Validierung von neuronalen Netzen für KI-Anwendungen.

Mehr erfahren