Problemstellung

Die Instandhaltung von Fahrwerkskomponenten erfolgt aktuell anhand definierter Grenzwerte (Preventive Maintenance) oder bei akutem Defekt (Reactive Maintenance). In beiden Fällen entstehen unnötige Kosten: Bei zu frühem Bauteilwechsel bleibt Restlebensdauer ungenutzt und der zu späte Wechsel kann teure Folgeschäden nach sich ziehen.

Außerdem sind Fahrwerkskomponenten entscheidend für die Fahrzeugsicherheit, sodass ein auftretender Defekt möglichst schnell erkannt werden muss. Mit dem zunehmenden Aufkommen von Carsharing-Diensten und autonomen Fahrzeugen entfällt der Fahrer als Überwachungsinstanz, da ihm der normale Fahrzustand nicht bekannt ist oder die Verantwortung vollständig an das Fahrzeug übergeben wurde. Ein Defekt bleibt dadurch länger unentdeckt, sofern das Fahrzeug die Überwachungsaufgabe nicht übernehmen kann.

Ziel

Das Fahrzeug soll eigenständig oder in Kombination mit einer Backend-Architektur in der Lage sein, den Zustand einzelner Fahrwerkskomponenten wie Reifen, Bremsen oder Dämpfer zu erfassen und deren Restlebensdauer vorherzusagen. Dieses Predictive Maintenance genannte Verfahren ermöglicht neben der Erhöhung der allgemeinen Verkehrssicherheit auch Kosteneinsparungen für Flottenbetreiber, Werkstätten und Kunden, da die Ersatzteilbeschaffung entsprechend geplant werden kann.

Vorgehen

Neben der Auswahl geeigneter Sensorsignale erfolgt zunächst die Untersuchung der erforderlichen Signalgüte. Diese Messwerte werden nach der Vorverarbeitung im Fahrzeug an eine Cloud-Infrastruktur übertragen und mittels Machine-Learning-Verfahren ausgewertet. Hierbei ist sowohl überwachtes Lernen als auch unüberwachtes Lernen denkbar. Um eine skalierbare Lösung zu erhalten, wird der Einsatz von Big-Data-Frameworks angestrebt.

Eine wesentliche Herausforderung ist es, für die enorme Variantenvielfalt der Fahrzeugderivate passende Modelle abzuleiten, ohne jeweils neue Machine-Learning-Modelle trainieren zu müssen. Außerdem ist das Erstellen von Trainingsdaten zeitaufwendig und teuer, sodass aus einer beschränkten Zahl bekannter Defekte ein kontinuierliches Spektrum der Bauteilzustände abgeleitet werden muss.