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. Datei-Upload durch TIB The PANAMERA project addresses the need for smart data-driven maintenance strategies in the automotive industry by developing a standardized, modular framework for predictive maintenance. While existing predictive maintenance solutions successfully utilize advanced data-driven models to improve maintenance efficacy, they often lack systematic abstraction of the whole pipeline, thereby requiring complete redevelopment for new components and application scenarios. This project presents a comprehensive framework that standardizes the entire process from data acquisition to deployment, integrating cloud-based platforms with specialized analytics pipelines for both high and low-frequency sensor data. TUM worked closely with the consortium throughout development, with particular focus on the design of machine learning algorithms within the framework. Three use cases validate the framework's versatility: brake noise classification based on acoustic analysis, special event detection based on anomaly detection, and tire wear prediction via steering behavior analysis. Empirical results confirm the effectiveness of the designed models and the feasibility of the framework. The proposed framework establishes a foundation for future predictive maintenance applications in the automotive industry, with potential for extension to other industrial systems and applications requiring component health monitoring and predictive maintenance.