Ressourceneffizienz mit Predictive Maintenance

Ressourceneffizienz mit

Predictive Maintenance

Getriebeschäden vorhersagen und dadurch kosteneffiziente Prozesse und geringere Emissionen erreichen.

Success Story

Lesedauer: 3 min

Automotive

Manufacturing

Predictive Maintenance

Visual Inspection

60%

Getriebeschäden mit KI erkannt

Vorher- gesagte

Ausfälle in der Garantiezeit

Weniger

Kosten und Emissionen

Kontext

Aufgrund der hohen Anzahl von Schäden an LKWs plante der Hersteller, vorausschauende Wartung einzusetzen, um Komponentenausfälle bereits in den frühen Fertigungsphasen zu erkennen und diese innerhalb der Garantiezeit zu beheben. Besonders kritisch sind dabei Getriebestörungen, die zu den schwerwiegendsten Ausfällen zählen.

Herausforderung

Getriebeschäden zählen zu den gravierendsten Schäden. Mithilfe eines KI-basierten Algorithmus sollte es möglich sein, diese frühzeitig zu erkennen. Allerdings war die Kennzeichnung der Daten nicht ganz präzise, was zu einem erheblichen Ungleichgewicht der Klassen führte.

Auftrag

Ziel war es, Zusammenhänge und Einflussfaktoren für Getriebeschäden zu ermitteln, um ein einfaches Vorhersagemodell zu entwickeln.

Lösung

Zusammenhänge und Einflussfaktoren für Getriebeschäden wurden identifiziert, was zur Entwicklung eines Vorhersagemodells führte, das mithilfe von XGBoost potenzielle Schadensfälle prognostizieren kann. Das Modell wurde mit dem Data-Science-Stack von Python entwickelt, der Bibliotheken wie NumPy, Pandas, Scikit-Learn und XGBoost umfasst.

Durch den Einsatz von Predictive Maintenance (vorausschauende Wartung) und KI konnte in diesem Fall die Effizienz gesteigert und die Gewinnspannen durch die frühzeitige Erkennung kritischer Getriebeausfälle verbessert werden. Dies verdeutlicht, wie entscheidend datengestützte Entscheidungsfindung für die Optimierung von Betriebsabläufen ist.