PrePAIR: Predictive failure management with AI in production; A3: Proaktive Fehlervermeidung durch Korrelationsanalyse zwischen Prozessparametern und EOL-Körperschallprüfung; A5: KI-gestützter Assistent zur automatisierten Identifikation und Formulierung von Fehlerbildern im Feld

Abstract

A3: Im Anwendungsfall A3 des Projektes PrePAIR wurde untersucht, inwieweit sich das akustische Verhalten hochintegrierter elektrischer Antriebe anhand von Fertigungs-, und Mikrogeometriedaten datenbasiert abbilden lässt. Hierfür wurden verschiedene Verfahren zur Analyse und Prognose der Hauptverzahnungsordnung der ersten Getriebestufe entwickelt und bewertet. Die Ergebnisse zeigen, dass insbesondere zeitliche Veränderungen und Prozessdrifts in der Getriebefertigung zuverlässig erkannt werden können. Darüber hinaus wurden Methoden zur Datenaufbereitung und Standardisierung sowie ein prototypischer Software-Demonstrator entwickelt. Die Arbeiten schaffen eine Grundlage für eine frühzeitigere Identifikation qualitätsrelevanter Veränderungen in Produktionsprozessen und unterstützen die Weiterentwicklung datengetriebener Ansätze im Fehlermanagement. A5: Im Anwendungsfall A5 wurde ein KI-gestützter Demonstrator zur automatisierten Identifikation und Formulierung von Fehlerbildern in Felddaten entwickelt. Ausgangspunkt war die Herausforderung, große Mengen heterogener Fahrzeug- und Diagnosedaten effizient auszuwerten und wiederkehrende Fehlermuster über verschiedene Datendomänen hinweg systematisch zu erkennen. Ziel war die Entwicklung einer prototypischen Lösung, die Fehlercluster automatisiert identifiziert, strukturiert beschreibt und mit verknüpftem Domänenwissen anreichert. Im Projektverlauf wurden hierfür Verfahren des Wissensmanagements, der semantischen Datenmodellierung sowie moderne KI-Methoden implementiert und in einen Demonstrator überführt. Die Lösung wird in die BMW-IT-Infrastruktur integriert, hinsichtlich Funktionalität und Anwendbarkeit validiert und im Rahmen der Projektevaluation bewertet. Darüber hinaus wurden Möglichkeiten zur Standardisierung und Überführung der Ergebnisse in Catena-X-Strukturen untersucht. Die Projektergebnisse zeigen das Potenzial KI-gestützter Verfahren für ein skalierbares, datengetriebenes Fehlermanagement und schaffen die Grundlage für eine weiterführende Nutzung im industriellen Umfeld. A3: Application case A3 of the PrePAIR project investigated the extent to which the acoustic behaviour of highly integrated electric drives can be represented using data from manufacturing and microgeometry measurements. Various methods for analysing and predicting the primary gear-meshing order of the first gear stage were developed and evaluated. The results show that temporal changes and process drifts in gear manufacturing can be identified reliably in particular. In addition, methods for data preparation and standardisation and a prototype software demonstrator were developed. The work provides a basis for the earlier identification of quality-relevant changes in production processes and supports the further development of data-driven approaches in failure management. A5: In application case A5 an AI-assisted demonstrator was developed for the automated identification and formulation of failure patterns in field data. The starting point was the challenge of efficiently evaluating large volumes of heterogeneous vehicle and diagnostic data and systematically identifying recurring failure patterns across different data domains. The objective was to develop a prototype solution that automatically identifies failure clusters, describes them in a structured manner and enriches them with linked domain knowledge. For this purpose, knowledge-management methods, semantic data modelling and modern AI methods were implemented and transferred into a demonstrator. The solution is being integrated into the BMW IT infrastructure, validated in terms of functionality and applicability, and assessed as part of the project evaluation. Options for standardising and transferring the results into Catena-X structures were also investigated. The project results demonstrate the potential of AIassisted methods for scalable, data-driven failure management and provide a basis for further use in an industrial environment.