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

Abstract

Das PANAMERA-Projekt adressiert den Bedarf an intelligenten, datengetriebenen Wartungsstrategien in der Automobilindustrie durch die Entwicklung eines standardisierten, modularen Frameworks für Predictive Maintenance. Während bestehende Predictive-Maintenance-Lösungen erfolgreich fortschrittliche datengetriebene Modelle zur Verbesserung der Wartungseffizienz nutzen, fehlt ihnen oft eine systematische Abstraktion der gesamten Pipeline, wodurch eine vollständige Neuentwicklung für neue Komponenten und Anwendungsszenarien erforderlich wird. Dieses Projekt präsentiert ein umfassendes Framework, das den gesamten Prozess von der Datenerfassung bis zur Bereitstellung standardisiert und cloudbasierte Plattformen mit spezialisierten Analyse-Pipelines sowohl für hoch- als auch für niederfrequente Sensordaten integriert. Die TUM arbeitete während der gesamten Entwicklung eng mit dem Konsortium zusammen, mit besonderem Fokus auf die Konzeption von Machine-Learning-Algorithmen innerhalb des Frameworks. Drei Use Cases validieren die Vielseitigkeit des Frameworks: Bremsgeräuschklassifikation basierend auf akustischer Analyse, Sonderereigniserkennung basierend auf Anomalieerkennung und Reifenverschleißvorhersage mittels Lenkverhaltenanalyse. Empirische Ergebnisse bestätigen die Wirksamkeit der entwickelten Modelle und die Machbarkeit des Frameworks. Das vorgeschlagene Framework bildet eine Grundlage für zukünftige Predictive-Maintenance-Anwendungen in der Automobilindustrie, mit Potenzial zur Erweiterung auf andere industrielle Systeme und Anwendungen, die eine Zustandsüberwachung von Komponenten und Predictive Maintenance erfordern.