KI-gestützte Analyse bei Dauerlauftests zur erklärbaren Detektion von Anomalien

In diesem Fachbeitrag wird eine innovative Methode zur Analyse von Dauerlauftests für elektrische Antriebseinheiten (EDUs) vorgestellt. Durch den Einsatz von künstlicher Intelligenz, insbesondere neuronalen Netzen und erklärbaren KI-Modellen, können Trends und Anomalien im Produktverhalten frühzeitig erkannt werden. Die Methode ermöglicht es, potenzielle Schwachstellen im Produkt zu identifizieren und Korrekturmaßnahmen einzuleiten, bevor das Produkt den Markt erreicht. Der Artikel beschreibt den methodischen Ablauf der Analyse, von der Auswahl relevanter Signale bis zur Visualisierung der Ergebnisse. Ein Machbarkeitsnachweis zeigt die Effektivität des Ansatzes anhand eines 25-h-Dauerlaufdatensatzes. Die Ergebnisse werden durch Entscheidungsbaummodelle und automatische Visualisierungen verfeinert, um die Bedingungen hinter dem anormalen Verhalten zu identifizieren. Dieser Ansatz bietet eine wertvolle Grundlage für die Verbesserung von Produkten vor dem Kundeneinsatz.