Dieser Artikel gibt einen Überblick darüber, wie Explainable AI (XAI) und Diagnostic Modeling dabei helfen können, die Ursachen für kritische Lkw-Ausfälle bei einem Gerätehersteller aufzudecken.
- Data Science
- Decision Trees
- SVDD
- Dashboards
- Analytics Platform
- Explainable AI (XAI)
- Root Cause Analysis
Kontext & zentrale Herausforderungen
Unser Kunde ist ein deutsch-schweizerischer multinationaler Gerätehersteller, der unter anderem Lkw für den Bergbau herstellt.
In diesem Zusammenhang ist es für unseren Kunden sehr wichtig, dass die Fahrzeuge in den Minen, in denen sie eingesetzt werden, nicht ausfallen, da dies zu einem vollständigen Stillstand der Abbautätigkeit führen würde (tatsächlich kann schon der Ausfall eines einzigen Fahrzeugs eine ganze Mine blockieren).
Da die Bergbau-Lkw ein zentrales elektronisches System nutzen, konnte unser Kunde viele Daten über die einzelnen Ausfälle sammeln und wollte nun die Ursache für die Ausfälle ermitteln, um diese in Zukunft zu verhindern.
Unser Ansatz
Für dieses Projekt haben wir einen RaaS-Ansatz (Result-as-a-Service) angewendet: Unser Kunde stellte uns seine Daten zur Verfügung (250 Sensoren, 5-10 Lkw über 10 Jahre, 20-30 Beispiele für elektronische Ausfälle) und wir integrierten diese direkt in unsere eigene SAS-basierte Analyseplattform.
Anschließend bestand unsere Aufgabe darin, ungewöhnliche Ereignisse zu identifizieren, die unmittelbar vor dem Ausfall eines Lkw stattfanden. Wir haben also:
- historische Daten in ein vergleichbares Analyseformat von guten und schlechten Verhaltensweisen aggregiert und klassifiziert.
- die Unterschiede zwischen den Verhaltensweisen verglichen, um gemeinsame Ereignisse für Ausfälle zu identifizieren.
- ein explainable Machine-Learning-Modell erstellt, welches kritische Gründe für Ausfälle hervorhebt.
- unserem Kunden ein interaktives Dashboard zur Verfügung gestellt, auf dem die Ergebnisse und das Modell für die Kommunikation und Diskussion mit den Fachabteilungen und dem Management dargestellt wurden.
Es stellte sich heraus, dass zwei Drittel der Pannen einfach darauf zurückzuführen waren, dass die Fahrer das Gaspedal betätigten und gleichzeitig die Handbremse anzogen.
Vorteile
- Zentralisierte Ansicht der verfügbaren Daten, wodurch einfache und unerwartete Zusammenhänge zwischen den Informationen sichtbar werden. In diesem Fall stammten die Daten aus zwei getrennten Systemen, die wiederum von zwei verschiedenen Abteilungen des Unternehmens verwaltet wurden. Die Schlussfolgerung, zu der wir gelangten, wäre ohne die von uns erstellte ganzheitliche Sichtweise nicht zu erreichen gewesen.
- Identifizierung und Erklärung von etwa 2/3 aller Fehlermuster der vergangenen Jahre.
- Potenzielle Einsparungen in der Größenordnung von mehr als 100.000 Euro durch einfache Eliminierung der kritischsten Fehlermuster.
- Hohe Akzeptanz des Machine-Learning-Modells durch das Unternehmen dank des von uns bereitgestellten interaktiven und explainable Dashboards.
Involviertes Team
Ein_e Branchenexpert:in, ein Data Scientist und ein Data Engineer arbeiteten 4 Monate an diesem Projekt.
Technologien & Partner
Danke an unsere*n
Autor*in
