Inhaltszusammenfassung:
Neue Technologien in der Automobilindustrie führen zu einer rasanten Weiterentwicklung des Fahrzeugs mit immer stärkerem Fokus auf die Software. Damit einhergehend ist die steigende Komplexität der Fahrzeuge, was die Instandhaltung erschwert. Neue Technologien, wie etwa vernetzte Fahrzeuge, ermöglichen jedoch auch die Umsetzung neuer Konzepte der Fahrzeuginstandhaltung. Bei der Instandhaltung durch Predictive Maintenance werden Defekte am Fahrzeug mithilfe von Vorhersagemodellen prognostiziert. Vernetzte Fahrzeuge sind in der Lage, die dafür benötigten Daten per Fernzugriff bereitzustellen.
Bisherige Ansätze einer Umsetzung von Predictive Maintenance in der Automobilindustrie konzentrieren sich auf einzelne Bauteile und verwenden Expertenwissen für die Entwicklung eines Vorhersagemodells. Die ständige Weiterentwicklung und der hohe Grad der Individualisierung von Fahrzeugen führt jedoch dazu, dass ein bereits entwickeltes Vorhersagemodell nicht mehr valide ist bei Veränderungen der Bauteile, wodurch weitere manuelle Nacharbeit benötigt wird. Dadurch lässt sich mit diesem Vorgehen keine gesamtheitliche Umsetzung von Predictive Maintenance für das Gesamtfahrzeug realisieren.
In dieser Doktorarbeit wird eine Umsetzung von Predictive Maintenance vorgestellt, die ohne Expertenwissen auskommt und für alle Defekte im Fahrzeug automatisiert angewendet werden kann.
Dafür werden Daten des gesamten Fahrzeugs verwendet, die über Mechanismen der Fahrzeugdiagnose erhoben werden.
Das vorgestellte Vorgehen umfasst die Aufbereitung der Datenbasis, die Identifikation geeigneter Bauteile beziehungsweise Defekte für die Vorhersage, die Wahl relevanter Messwerte und die Erstellung des Vorhersagemodells. Im Anschluss werden die vorgestellten Konzepte an einer realen Fahrzeugflotte, bestehend aus circa 2,2 Mio. Fahrzeugen, angewendet und verifiziert.
Predictive Maintenance