TU Berlin

QualitätswissenschaftPredictive Intelligence Data Analytics

FG QW-Logo

Inhalt des Dokuments

zur Navigation

PIA

Logo PIA
Lupe

PIA- Predictive Intelligence Data Analytics

Ausgangssituation

Die Automobilindustrie ist durch einen innovativen Wettbewerb sowie hohe Kunden- und Marktanforderungen geprägt. Neben der Sicherheit und Wirtschaftlichkeit stellen für deutsche Automobilhersteller die Erfüllung der Kundenanforderung durch zuverlässige und qualitativ hochwertige Produkte zentrale Ziele dar. Entsprechend spielt die Entdeckung von nicht-zulässigen Beanstandungsschwerpunkten eine wettbewerbskritische Rolle.

Auftretende Beanstandungen können durch verschiedene im Zusammenhang stehende Merkmalsausprägungen (wie z.B. Fahrzeuge mit ihren Motoren und Getrieben, die betroffenen Bauteile, die Zeitpunkte, zu denen sie produziert und ausgefallen sind und die äußeren Bedingungen unter denen die Fahrzeuge betrieben werden z.B. die Märkte, Regionen und Jahreszeiten) charakterisiert werden.

Herausforderungen in der Felddatenanalyse
Lupe

Die Auswahl relevanter Merkmalskombinationen (mit welchen später Ursachen und Prognosen zum Ausmaß des Problems vollzogen werden) geschieht momentan durch manuelle Analysen von Experten, die alle möglicherweise betroffene Fahrzeuge eingrenzen und das zu erwartende Ausmaß des Schadens prognostizieren. Folgen dieser nicht automatisierten Verfahren sind ungenaue Abgrenzungen bzw. Nicht-Erkennung von Schäden z.B. in allen betroffenen Märkten und somit höhere Beanstandungsraten, ungenaue Prognosen und eine möglicherweise falsche Priorisierung der Abarbeitung von Beanstandungsschwerpunkten. Dies führt zu einem ungenauen kalkulierbaren Ersatzteilbedarf sowie einen ungenau kalkulierbaren Bedarf an Rückstellungen aus z.B. Schadens- und Kulanzkosten sowie verzögerten Abstellmaßnahmen.

Zielsetzung

Zielsetzung des Forschungskooperationsprojekts ist es eine Vorgehensweise zu entwickeln, die im Rahmen eines automatisierbaren Prozesses die Daten aus Beanstandungen hinsichtlich signifikanter Häufungen und relevanter Merkmalsausprägungen analysiert. Insbesondere sollen charakteristische Auffälligkeiten von signifikanten Merkmalsausprägungen herausgefiltert und diese durch eine Systematik zur Gruppierung und Klassifikation geordnet werden. Dazu wird das Projekt im Rahmen eines auf Felddaten basierenden Fehlerabstellprozesses eingegliedert.

Verortung von PIA im Problemlösungsprozess basierend auf Felddaten
Lupe

Die Kerninnovation ist ein Algorithmus, der ein automatisiertes Verfahren zur relevanten Clusterbildung von Beanstandungsschwerpunkten und aufbauend auf diesen Klassen eine automatisierte Schadensfallprognose durchführt. Daraus abgeleitet können Auffälligkeiten wie z.B. stark abweichende Märkte herausgefiltert werden. Zudem wird eine transparente Darstellung und Bewertung des statistischen Fehlers durch das automatisierte Verfahren und somit eine Risikoabschätzung ermöglicht. 

Automatisiertes Gruppierungs- und Prognoseverfahren durch Abgrenzung des betroffenen Umfangs und Hochrechnung durch Weibull-Analysen
Lupe

Der Algorithmus soll im Rahmen eines Assistenzsystems für Mitarbeiter der Analyse umgesetzt werden. Ein wichtiger Aspekt ist dabei die Nutzungsfreundlichkeit durch eine grafische Benutzeroberfläche (GUI), die z.B. Visualisierung, vorgedachte Analyseschritte sowie gruppierte Cluster der Daten zusammenfassen lässt und ein selbstlernende Analyseunterstützung darstellen soll.

Bedienoberfläche zur Analyseunterstützung durch eine selbstlernende, grafische und interaktive Benutzerführung
Lupe

Nutzen

  • Automatisierte Eingrenzung der relevanten Merkmale führt zu einer Komplexitätsreduktion für den Anwendenden und unterstützt eine schnellere Problemanalyse sowie Definition von Abstellmaßnahmen
  • Schnellere und genauere Prognoserechnung für Reparaturfälle bezogen auf die Zeit- und Problemeingrenzung für die Beanstandung
  • Automatisierte Identifikation von Beanstandungsschwerpunkten sowie Prognosen und dessen Bewertung von zu erwartenden Schadensfällen aus dem im System hinterlegten Daten
  • Algorithmus kann als „Priorisierungswerkzeug“ zur Abarbeitung der Beanstandungsschwerpunkte durch die Prognoserechnungen dienen
  • Selbstlernende Benutzerführung in der Anwendung für auch Nicht-Experten zur Durchführung von Analysen und Prognoserechnungen
  • Gewonnen Informationen zu bestimmten Merkmalskombinationen wie Märkte mit bestimmten Nutzern führen zu bestimmten Fehlern können Zurückfließen in die Entwicklung zur Erprobungsplanung neuer Projekte
  • Bewertung der Zuverlässigkeitsziele für Fahrzeugprojekte bis hin zu Baugruppen werden ermöglicht

Projektpartner

Das Forschungsprojekt wird in Kooperation mit der Volkswagen AG durchgeführt. Projektlaufzeit ist von 01.05.2015 bis zum 30.04.2018.

Hier finden Sie einen Artikel zur Vorstellung des Projekts aus der internen Zeitung IQ von Volkswagen: Artikel in der IQ zu PIA (PDF, 1,5 MB)

Navigation

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe