Zusammenfassung
Die Durchführung von Wartungsmaßnahmen während der gesamten Nutzungsphase eines technisch komplexen Produkts ist für den zuverlässigen und sicheren Betrieb sowie zur Gewährleistung einer hohen Produktverfügbarkeit unerlässlich. Durch die zunehmende Fahrzeugkomplexität werden Automobilhersteller bezüglich der Wartung und Qualitätssicherung über den gesamten Produktlebenszyklus vor immer größere Herausforderungen gestellt [12]. In der Automobilindustrie ist die vorausbestimmte Wartung von Fahrzeugen fest etabliert [14]. Hierbei sind Wartungsintervalle für bestimmte Kilometerlaufleistungen oder Einsatzzeiten durch die Hersteller vorgegeben. Bei jedem Wartungsintervall werden verschiedene Wartungsarbeiten, welche in Wartungspaketen zusammengefasst sind, durchgeführt.
Im Rahmen der vorausbestimmten Wartung werden jedoch ausfall- bzw. schadensgefährdete Komponenten, insbesondere wenn die Komponenten nicht Bestandteil des zugehörigen Wartungspakets sind, nicht berücksichtigt. Dies führt zu Werkstattbesuchen außerhalb der regelmäßigen Wartungsintervalle und zu zusätzlichen Kosten sowie möglichen Imageschäden für die Automobilhersteller.
Zur Begegnung dieses Problems wird in diesem Artikel auf der Grundlage eines synthetischen Datensatzes ein prädiktiver Ansatz zur Optimierung der vorausbestimmten Instandhaltungsstrategie, auf der Basis von Methoden des maschinellen Lernens, zur Anpassung von Wartungspaketen bezüglich aufkommender Garantieansprüche, präsentiert. Dabei werden mit den Methoden erlernte Klassifikationsmodelle zur Identifizierung von Schadenskandidaten im Feld sowie zur individuellen Anpassung von Wartungspaketen für Fahrzeuge genutzt.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
[1] DIN – Deutsches Institut für Normung e. V.(Hrsg.): DIN EN 13306:2017-02: Instandhaltung – Begriffe der Instandhaltung; Dreisprachige Fassung EN 13306:2017. Beuth Verlag, 2017.
[2] Mohammed, M.; Bashier, E. B. M.; Khan, M. B.: Machine learning: algorithms and applications. Crc Press, 2016.
[3] Awad, M.; Khanna R.: Efficient learning machines: theories, concepts, and applications for engineers and system designers. Apress, 2015.
[4] Sharma, S.; Agrawal, J.; Sharma, S.: Classification through machine learning technique: C4.5 algorithm based on various entropies. In: International Journal of Computer Applications, Jahrgang 2013, Band 82/Heft 16, S. 20-27.
[5] Almana, A. M.; Aksoy, M.: An overview of inductive learning algorithms. In: International Journal of Computer Applications, Jahrgang 2014, Band 88/Heft 4, S. 20-28.
[6] Quinlan, J. R.: C4.5: Programs for Machine Learning. Morgan Kaufmann, 1993.
[7] Cohen, W. W.: Fast effective rule induction. In: Machine Learning Proceedings, Jahrgang 1995, S. 115-123.
[8] Quinlan, J. R.: Induction of Decision Trees, In: Machine learning, Jahrgang 1986, Band 1/Heft 1, S. 81-106.
[9] Hühn, J.; Hüllermeier, E.: FURIA: an algorithm for unordered fuzzy rule induction. In: Data Mining and Knowledge Discovery, Jahrgang 2009, Band 19/Heft 3, S. 293-319.
[10] Rissanen, J.: Modeling by shortest data description. In: Automatica, Jahrgang 1978, Band 14/Heft 5, S. 465-471.
[11] DIN–Deutsches Institut für Normung e. V.(Hrsg.): DIN 31051: 2012-09: Grundlagen der Instandhaltung, Beuth Verlag, 2012.
[12] Rumpe, B.; Schiffers, J.; BMW AG München. Herausforderungen an die Diagnose. Integration der Diagnose in die Steuergeräteentwicklung. In: ZfAW. Zeitschrift für die gesamte Wertschöpfungskette Automobilwirtschaft. 1/2006. S. 65-69, FAW-Verlag Bamberg, 2006.
[13] Furch, J.: New trends in a vehicle maintenance system. In: Advances in Military Technology, Jahrgang 2010 Band 5/Heft 2, S. 1-9.
[14] Prytz, R.: Machine learning methods for vehicle predictive maintenance using off-board and on-board data. Dissertation Halmstad University Press, 2014.
[15] Bertsche, B.: Reliability in automotive and mechanical engineering: determination of component and system reliability. Springer Science & Business Media, 2008.
[16] https://www.produktion.de/trends-innovationen/rueckrufe-qualitaetsmaengelin-der-autoindustrie-278.html (Abgerufen am 22.10.2018)
[17] http://www.faz.net/aktuell/wirtschaft/wirtschaftspolitik/automobilindustriemillionen-rueckrufe-von-autos-in-deutschland-14065324.html (Abgerufen am 22.10.2018)
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature
About this paper
Cite this paper
Sochacki, S., Reinecke, F., Bracke, S. (2020). Ansatz zur Anpassung von Wartungs- und Instandhaltungspaketen auf Basis maschineller Lernalgorithmen im Hinblick auf den zuverlässigen Betrieb technisch komplexer Produkte. In: Schmitt, R. (eds) Potenziale Künstlicher Intelligenz für die Qualitätswissenschaft. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-60692-6_13
Download citation
DOI: https://doi.org/10.1007/978-3-662-60692-6_13
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-60691-9
Online ISBN: 978-3-662-60692-6
eBook Packages: Computer Science and Engineering (German Language)