de
                    array(1) {
  ["de"]=>
  array(13) {
    ["code"]=>
    string(2) "de"
    ["id"]=>
    string(1) "3"
    ["native_name"]=>
    string(7) "Deutsch"
    ["major"]=>
    string(1) "1"
    ["active"]=>
    string(1) "1"
    ["default_locale"]=>
    string(5) "de_DE"
    ["encode_url"]=>
    string(1) "0"
    ["tag"]=>
    string(2) "de"
    ["missing"]=>
    int(0)
    ["translated_name"]=>
    string(7) "Deutsch"
    ["url"]=>
    string(72) "https://www.statworx.com/case-studies/predictive-maintenance-automotive/"
    ["country_flag_url"]=>
    string(87) "https://www.statworx.com/wp-content/plugins/sitepress-multilingual-cms/res/flags/de.png"
    ["language_code"]=>
    string(2) "de"
  }
}
                    
Kontakt
Case Studies
Case Studies

Predictive Maintenance Automotive

In diesem Projekt haben wir durch die Anwendung von maschinellem Lernen und statistischen Modellen die erwarteten Ausfallzeitpunkte von Bauteilen und Motorkomponenten vorhergesagt.

  • Branche Automotive
  • Thema Predictive Maintenance
  • Tools SQL, R
  • Projektdauer 3 Monate

Herausforderung

Die Planung anfallender Kosten für Gewährleistungsansprüche sowie die Untersuchung von Einflussfaktoren auf mögliche Ausfälle im Feld sind zentrale Fragestellungen im Rahmen der Qualitätsanalyse. Unser Kunde, ein internationales Automobilunternehmen, stand vor der Herausforderung, seine Tools zur Prognose der Ausfälle verschiedener Motor- und Antriebskomponenten zu verbessern, um die Planung anfallender Gewährleistungskosten optimieren zu können.

Ansatz

Die Modellierung von Ausfallzeitpunkten kann auf verschiedene Arten erfolgen. Best-Practice-Ansätze wie Weibull-Analysen sind häufig zu eindimensional, um die komplexen Wirkbeziehungen zwischen verschiedenen Einflussfaktoren auf den Ausfall zu berechnen. Komplexere Modelle wie Survival-Modelle oder nichtparametrische Schätzungen der erwarteten Ausfallverteilung bieten flexiblere Möglichkeiten, sind jedoch häufig aufgrund hochdimensionaler Einflüsse und sehr großer Datenmengen keine Option. Zur Berechnung der Ausfallzeitpunkte haben wir ein Machine Learning Modell verwendet, das zum einen die hochdimensionale Datenstruktur adäquat verarbeiten kann und zum anderen eine genaue Prognose der Ausfallzeitpunkte liefert.

Ergebnis

Das entwickelte Machine Learning Modell zeigte gegenüber dem bestehenden Tool eine signifikante Verbesserung der Prognosegüte. Die im Rahmen des Projekts entwickelten Modelle und Erkenntnisse helfen dem Kunden heute, die zu erwartenden Gewährleistungskosten bestmöglich zu planen und abzuschätzen. Zur optimalen Nutzung wurde das Modell in eine Dashboard-Umgebung implementiert.

Experte

Kontakt anfragen

Erfahre mehr!

Als eines der führenden Unternehmen im Bereich Data Science, Machine Learning und KI begleiten wir Sie in die datengetriebene Zukunft. Erfahren Sie mehr über statworx und darüber, was uns antreibt.
ÜBER UNS