Pilotprojekt:
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.
×
×

Warenkorb