In heutigen Premium-Fahrzeugen befinden sich mehr als 50 elektronische Steuereinheiten (ECU) mit bis zu 1 GB an Software-Code. (Bild: industrieblick - Fotolia.com)
In heutigen Premium-Fahrzeugen befinden sich mehr als 50 elektronische Steuereinheiten (ECU) mit bis zu 1 GB an Software-Code.
Bild: industrieblick – Fotolia.com
Es gibt aber auch eine gute: Einige Hersteller komplexer Produkte verfügen in diesem Bereich bereits über wertvolle Erfahrungen. Das gilt etwa für die Automobilhersteller. So lässt sich durchaus aus den Erfahrungen der After-Sales-Organisation eines Automobil-OEMs einiges lernen, etwa, wie eine neuartige Datenanalyse-Technologie eingesetzt wurde. Diese Analyse-Technologie kann in vernetzten Maschinen- und Anlagenparks von großem Nutzen sein.
Um Maßnahmen zur Verhinderung von Werkstattbesuchen und Reduzierung der Gewährleistungskosten umzusetzen, waren in dem Automotive-Projekt einige Fragen zu beantworten:
- Welches sind die tatsächlichen Ursachen bei gleichen Fehlersymptomen?
- Wie lässt sich die Eindeutigkeit von Fehlercodes erreichen?
- Gibt es Zusammenhänge zwischen zeitlich versetzten Symptomen bzw. Werkstattbesuchen?
- Wie lässt sich eine Fehlerhäufung auf Fahrzeuge einkreisen?
- Wie kann die Onboard-Diagnose verbessert werden, damit unnötige Werkstattbesuche verhindert werden?
- Wie gelingt es, besser Entscheidungen über Reparaturstrategien zu treffen?
- Wie können Serienfehler frühzeitig erkannt werden?
- Welche Garantiefälle sind zweifelhaft?
Um hier Antworten zu finden, sind zunächst einmal einige Voraussetzungen zu erfüllen. So ist ein zusammenhängender Datenraum zu definieren, der alle möglichen Einflussgrößen enthält. Zudem bedarf es einer gesicherten Datenkonsistenz, damit schlechte Daten nicht zu falschen Erkenntnissen führen. Und last but not least wird eine Data-Mining-Software benötigt, welche Mustererkennung, Prognosen und deskriptive Verfahren in Millionen von Daten praktikabel ausführen kann.
Die Data-Mining Software Synop Analyzer wird diesen Anforderungen, die auch auf Maschinen, Anlagen und Geräte übertragbar sind, gerecht. Sie bietet eine Palette an Verfahren, um aus Diagnose- und Maschinendaten versteckte Erkenntnisse und Prognosen zu generieren. Dabei lassen sich sowohl Adhoc-Analysen als auch automatisierte Prognosen für wiederkehrende Fragestellungen in wenigen Schritten realisieren. Fachanwender sind so in der Lage, mit multivariaten Analysen signifikante Zusammenhänge zwischen Symptomen und Ursachen mit Daten aus Reparaturprozessen in kurzer Zeit zu entdecken. Data-Science Experten mit profunderem Verfahrens-Know-how können dann mit Mustererkennungs- oder neuronalen Netzwerkverfahren wie SOM (Self-Organisation-Maps) Fehlerfrüherkennung vornehmen oder Zusammenhänge zwischen zeitlich versetzten Störungen identifizieren.
Um im Bereich von Fahrzeugen mittels Data-Mining alle möglichen Einflüsse zu berücksichtigen, wird sukzessive die Datenbandbreite gesteigert, indem Fehlerspeicher- und Servicedaten, Symptome, Fehlersuche, Fehlerbehebung, Kosten mit Fahrzeugstamm- und Produktionsdaten verknüpfbar gemacht werden. Nach Umsetzung der neuen Datenanalyse-Verfahren konnten die Kundenzufriedenheit gesteigert und Gewährleistungskosten reduziert werden. Ausgehend von großen zusammenhängenden Datenreihen gelang es zudem, weitere Erkenntnisse für die Bereiche Entwicklung, Design und Produktion zu gewinnen. Damit die Fachbereiche ihre Fragestellungen selbst beantworten können, wurde ein webfähiges, benutzerfreundliches Frontend entwickelt.
Die Software
Synop Analyser
Das Tool setzt drei Kernfunktionen für Big-Data-Analysen um:
- In-Memory-Datenhaltung
- Interaktive Datenexploration und intuitives Benutzer-Interface
- Tool-Set mit Statistik-, Data-Mining und Mustererkennungsverfahren
Analysen werden typischerwese iterativ entwickelt. Lange Wartezeiten zwischen den Rechenschritten würden viel Zeit und Geld kosten. Die verfügbaren Verfahren sind leicht erlernbar und ohne Programmierung oder Scripte werden Fragestellungen in wenigen Schritten beantwortet. Anhand der Visualisierung können Erkenntnisse verständlich erläutert werden. Schnittstellen stehen für die gebräuchlichsten Datenquellen wie Dateien, Datenbanken oder Quellsysteme zur Verfügung, welche laufend erweitert werden.
Im Rahmen des Automotive-Projektes ist die Leistungsfähigkeit der Analyse-Software mitgewachsen. Mit den praxiserprobten Mustererkennungsverfahren ist die In-Memory-Analyse-Software nunmehr bestens gerüstet, um Daten von vernetzten Maschinen- und Geräte zu analysieren. Werden die Diagnose- und Maschinendaten richtig aufbereitet und mit anderen Daten verknüpft, lässt sich z. B. die Verfügbarkeit durch Fehlerfrüherkennung erhöhen. Zudem können neue Service-Produkte, etwa Condition-Monitoring, angeboten oder die Qualität von Endprodukten durch Optimierung von Prozessparametern gesteigert werden.
Mit der „Elektronifizierung“ von Fahrzeugen haben die Daten eine unternehmenskritische Rolle erhalten – mit der Digitalisierung wird dies weiter zunehmen. Daten verstehen, Daten verknüpfen und aus großen Datenmengen schnellen Erkenntnisgewinn erhalten – das gelang einem führendem OEM mithilfe der In-Memory-Datenanalyse Software.
Diese Technologie ist geeignet, um auch die Herausforderungen der Industrie 4.0 und der Vernetzung von Maschinen anzunehmen. Datenanalyse ist jedoch eine eigene Disziplin, die nicht so nebenbei zu erledigen ist. Um datengetriebene Servicemodelle erfolgreich zu realisieren, sollte deshalb ein vom Management getragenes Programm aufgelegt werden. Service-Intelligence lässt sich intern aufbauen oder als Service-Intelligence-as-a-Service vom Dienstleister beziehen.
Volker Marquardt
Kontakt: Synop Systems UG
Tel.: 0721 9453811
Email: marquardt@synop-systems.com
www.synop-systems.com
