AI-Based Failure Management in Value Chains – valuechAIn

Abstract

Das Forschungsprojekt valuechAIn verfolgte das Ziel, ein KI-basiertes Fehlermanagementsystem für die Nutzfahrzeugindustrie zu entwickeln. Angesichts stagnierender Märkte, steigender Kundenanforderungen und zunehmendem Wettbewerbsdruck sollen durch datengetriebene Ansätze Fehler in Produktion und Betrieb frühzeitig erkannt, vermieden und die Qualität gesteigert werden. Im Zentrum stand die präventive Fehlervermeidung entlang der gesamten Wertschöpfungskette – unterstützt durch Methoden der Künstlichen Intelligenz wie Predictive Maintenance, Machine Learning und datenbasierte Entscheidungsunterstützungssysteme. Das Konsortium bestand aus Industriepartnern (Krone, MAN), Forschungseinrichtungen (u. a. RWTH Aachen, Fraunhofer IPT) und Technologieanbietern für Predictive Analytics und IT-Sicherheit. In einem agilen Projektverlauf wurden neun Arbeitspakete realisiert, die von der Anwendungsfallanalyse über Datenintegration, KI-Modellierung bis hin zur Entwicklung und Evaluation von Demonstratoren reichten. Sechs konkrete Use Cases – je drei bei Krone und MAN – dienten als Grundlage für die Umsetzung. Technisch wurden Datenpipelines aufgebaut, Datensilos aufgelöst und relevante Produktions- und Felddaten zusammengeführt. Darauf aufbauend entstanden KI-Modelle (z. B. Entscheidungsbäume, Autoencoder, Clustering-Verfahren), die in benutzerfreundliche Dashboards (z. B. Power BI, AWS) integriert wurden. Die Entscheidungssysteme liefern automatisierte Handlungsempfehlungen zur Optimierung von Prozessen und Produkten. Die Demonstratoren wurden in realen Produktionsumgebungen getestet und evaluiert – mit positiven Ergebnissen hinsichtlich Fehlerreduktion, Effizienzsteigerung und Datenqualität.

The research project valuechAIn aimed to develop an AI-based error management system for the commercial vehicle industry. In light of stagnant markets, rising customer expectations, and increasing competitive pressure, data-driven approaches are intended to enable early detection and prevention of errors in production and operation, while improving quality. The focus was on preventive error avoidance along the entire value chain, supported by artificial intelligence methods such as predictive maintenance, machine learning, and data-driven decision support systems. The consortium consisted of industry partners (Krone, MAN), research institutions (including RWTH Aachen, Fraunhofer IPT), and technology providers for predictive analytics and IT security. In an agile project structure, nine work packages were implemented, ranging from use case analysis, data integration, AI modeling, to the development and evaluation of demonstrators. Six concrete use cases—three each at Krone and MAN—served as the foundation for implementation. From a technical standpoint, data pipelines were established, data silos dismantled, and relevant production and field data consolidated. Based on this, AI models (e.g., decision trees, autoencoders, clustering methods) were developed and integrated into user-friendly dashboards (e.g., Power BI, AWS). These decision systems provide automated recommendations for action to optimize processes and products. The demonstrators were tested and evaluated in real production environments—with positive results in terms of error reduction, efficiency improvement, and data quality.