ABOUT NORCOM
Schadensfrüherkennung mittels Big Data Analysen auf Werkstattdaten
Die Aufgabe
Um mögliche Schäden bei Fahrzeugen zu vermeiden, sollen Auffälligkeiten in einem frühen Stadium identifiziert und entsprechende Maßnahmen ergriffen werden. Hierzu werden die Speicherdaten von fehlerhaften Fahrzeugen bei der Reparatur ausgelesen und mit weiteren gesammelten Befunddaten verglichen. Liegen ausreichend Daten vor, können Regelmäßigkeiten erkannt werden, die künftig zur Früherkennung von Fehlern bei Fahrzeugen dienen (Predictive Maintenance).
Die Herausforderung
Um statistisch belastbare Aussagen treffen zu können, muss die Auswertung der Speicherdaten über eine sehr große Anzahl von Einzelfahrzeugen und Erhebungen über mehrere Jahre erfolgen. Die schiere Größe der gesammelten Messdaten ist mit klassischen Analysetools allerdings nicht mehr zu bewältigen, zudem ist der Einsatz neuer Methoden der Advanced Analytics erforderlich.
​
Unsere Lösung
Die Auswertungen wurden auf eine dafür konzipierte Big Data & Advanced Analytics Umgebung überführt. Die darauf eingerichteten Datenladestrecken erlauben die skalierbare Einbettung von bestehender Domain-Software für die Qualitätssicherung und die Vorbereitung der Daten für die Analyse. Die existierenden Analyseansätze wurden um eine Mustererkennung zum Abgleich mit definierten Fehlerbildern und um eine automatisierte Auffälligkeitsanalyse ergänzt.
​
Der Kundennutzen
Die Überführung in den Regelbetrieb ermöglichte die Erweiterung und Ausführung der Analysen auf neuen Daten im Self-Service und die Nutzung durch die gesamte Entwicklungsabteilung. Im Ergebnis ist ein über mehrere Jahre gesammelter Messdatensatz anstatt in mehreren Tagen innerhalb weniger Minuten nach Mustern und Auffälligkeiten durchsuchbar. Die eingerichteten statistischen Auswertungen über die Fahrzeugflotte unterstützen die Früherkennung von Fehlern und liefern wertvolle Informationen für eine datengetriebene Fahrzeugentwicklung.
Projekt-
steckbrief
Unsere Rolle
-
Unterstützung des Kunden durch Data Scientists, Data Engineers, DevOps
Unsere Tätigkeiten
-
Aufbau und Konfiguration eines Hadoop-Clusters, Überführung in und Sicherstellung des Regelbetriebes (inkl. Automatisierung Daten-Ingest)
-
Überführung von bestehenden Analysen nach Hadoop
-
Schulungen des Kunden zur Übernahme des Systems
Technologien & Methoden
-
Applikationen: HDP, DaSense
-
Daten/-banken: HDFS, XML, ASCII, MDF
-
Sprachen / Frameworks: Python, Java, Matlab, MapReduce, Yarn, Spark, Oozie, HBase, Knox, Jupyter, Ambari
-
Methoden: Dynamic Time Warping, Trendanalysen, Ausreißererkennung