PANAMERA - Entwicklung eines Predictive Maintenance Baukastens für Automotive Applikationen mittels Fahrzeug-Flottenanalyse

Abstract

Im Rahmen des Projekts PANAMERA wurde ein innovativer Baukasten zur Entwicklung von Verschleißmodellen für Fahrzeugkomponenten entwickelt. Dieser Baukasten wurde anhand spezifischer Anwendungsfälle evaluiert, um die Effizienz und Genauigkeit von Predictive-Maintenance-Anwendungen zu verbessern. Der Schwerpunkt lag dabei auf der Weiterentwicklung moderner, datenbasierter Methoden zur Verschleißerkennung. Die Integration des VibroAcoustic Condition Monitoring Systems (VAM) und die Entwicklung skalierbarer Datenverarbeitungsprozesse spielten dabei eine zentrale Rolle. Zu den wichtigsten Ergebnissen zählen die Verbindung standardisierter Datenformate mit automatisierten Datenpipelines sowie die Entwicklung hochpräziser maschineller Lernmodelle zur Erkennung von Lagerschäden, die im Vergleich zu bisherigen Messmethoden eine deutlich höhere Genauigkeit aufweisen. Umfangreiche Messungen an Versuchsfahrzeugen lieferten hochwertige, anwendungsspezifische Daten, die die Praxistauglichkeit der Integration hochauflösender Messdaten in den Baukasten als Basis für Predictive-Maintenance-Anwendungen validierten. Die Nutzung von Cloud-Plattformen ermöglichte eine effiziente Datenintegration und -analyse, wodurch große Datenmengen strukturiert und leicht zugänglich gemacht werden konnten. Der Einsatz externer Sensorik half, spezifische Daten zu erfassen und den oft schwierigen Zugang zu Flottendaten zu kompensieren. Die Expertise von AMI in der Datenanalyse und akustischen Signalverarbeitung trug wesentlich zur erfolgreichen Umsetzung der einzelnen Anwendungsfälle bei. Insgesamt bietet der entwickelte Baukasten ein großes Potenzial für eine effizientere ustandsüberwachung und Verschleißprognose von Fahrzeugkomponenten. Die Kombination aus spezifischer Sensorik, maschinellem Lernen und Cloud-Technologien eröffnet neue Möglichkeiten für zukünftige Predictive-Maintenance-Anwendungen in der Automobilindustrie. As part of the PANAMERA project, an innovative modular system for developing wear models for vehicle components was developed. This toolkit was evaluated on the basis of specific use cases in order to improve the efficiency and accuracy of predictive maintenance applications. The focus was on the further development of modern, data-based methods for wear detection. The integration of the VibroAcoustic Condition Monitoring System (VAM) and the development of scalable data processing methods played a central role in this. The most important results include the combination of standardised data formats with automated data pipelines and the development of high-precision machine learning models for detecting bearing damage, which are significantly more accurate than previous measurement methods. Extensive measurements on test vehicles provided high-quality, application-specific data that validated the practicality of integrating high-resolution measurement data into the modular system as a basis for predictive maintenance applications. The use of cloud platforms enabled efficient data integration and analysis, allowing large amounts of data to be structured and made easily accessible. The use of external sensors helped to collect specific data and compensate for the often difficult access to fleet data. AMI's expertise in data analysis and acoustic signal processing contributed significantly to the successful implementation of the individual use cases. Overall, the developed modular system offers great potential for more efficient condition monitoring and wear prediction of vehicle components. The combination of specific sensor technology, machine learning and cloud technologies opens up new possibilities for future predictive maintenance applications in the automotive industry.