Ansatz zur Anpassung von Wartungs- und Instandhaltungspaketen auf Basis maschineller Lernalgorithmen im Hinblick auf den zuverlässigen Betrieb technisch komplexer Produkte

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.