AI-supported Analysis of Durability Tests for Detecting Anomalies with Explainability

Dieser Artikel untersucht den Einsatz künstlicher Intelligenz zur Analyse von Haltbarkeitstests für elektrische Antriebseinheiten (EDUs), wobei der Schwerpunkt auf der Erkennung von Trends und Anomalien im Produktverhalten liegt, bevor diese zu Fehlern führen. Die Methode verwendet unbeaufsichtigtes Lernen und erklärbare KI-Modelle, die durch ein Proof-of-Concept-Experiment validiert wurden. Schlüsselthemen sind die Herausforderungen bei der Arbeit mit großen, langlebigen Datensätzen, die Bedeutung erklärbarer KI-Modelle und der Workflow bei der Anwendung der Methode. Das Experiment zeigt die Fähigkeit des Ansatzes, Verhaltensänderungen in modifizierten Datensätzen zu erkennen, und hebt das Potenzial für die frühzeitige Erkennung von Produktschwächen hervor. Der Artikel schließt mit der Diskussion der Vorteile dieser KI-gestützten Analyse für die Verbesserung von Produkten und die frühzeitige Identifizierung von Designproblemen.