ABOUT NORCOM
Big Data Ursachenanalyse seltener Ereignisse
Die Aufgabe
Schwankende Drehmomentbelastungen können zu Schwingungen und Ruckeln führen, die den Fahrgastkomfort und die Leistung von Fahrzeugen beeinträchtigen. In der Regel werden diese Ereignisse von Testfahrern während Schaltvorgängen erkannt und während der Fahrroutinen manuell protokolliert. In diesem Anwendungsfall suchte der Kunde nach Methoden, um die Erkennung dieser Ereignisse zu objektivieren und statistische Erkenntnisse über mögliche Ursachen zu gewinnen. Die gewonnen Erkenntnisse sollen den Entwicklungsprozess und Designentscheidungen unterstützen.
Die Herausforderung
Die große Herausforderung dieser Analyse liegt in der Seltenheit des Ereignisses und damit in der erforderlichen Datenmenge, um eine statistisch aussagekräftige Anzahl von Proben von „Ruckeln“ zu sammeln. Um mögliche Ursachen für die Ruckbewegungen zu identifizieren, müssen zahlreiche aufgezeichnete Signale einschließlich ihrer abgeleiteten Merkmale berücksichtigt werden. Dies führt zu einer komplexen und rechenintensiven Analyse. Da die Daten kontinuierlich generiert werden, muss die Analyse zudem wiederholt - idealerweise automatisiert - durchgeführt werden.
Unsere Lösung
Die Daten wurden automatisch aus den einzelnen Messdateien in ein Big-Data-Format umgewandelt, um die Skalierbarkeit der Analyse zu gewährleisten. Anstatt sich auf die subjektive manuelle Protokollierung durch den Testfahrer zu verlassen, haben wir eine Big Data Suche verwendet, um „Ruckeln“ in den aufgezeichneten Daten zu finden. Die gefundenen Zeit-Intervalle wurden dann mit einem Erkennungsalgorithmus auf Basis Spektralanalyse, Machine Learning und Deep Learning klassifiziert.
In einem weiteren Schritt wurden mögliche Ursachen für das „Ruckeln“ gesucht. Hierzu wurde bestimmt, welche Signale während den klassifizierten Ereignissen ein abnormales Verhalten zeigen. Wir entwickelten eine App, um die Signale und deren Merkmale mit der stärksten statistischen Korrelation zum Ereignis zu identifizieren. Die vollständigen Analyseergebnisse enthalten somit die Zeitintervalle der erfassten Ruckbewegungen, kombiniert mit den identifizierten korrelierten Signalen.
Der Kundennutzen
Die bereitgestellte Lösung ermöglicht Ingenieuren, komplexe Datenanalysen in einem skalierbaren Umfang verteilter Datensätzen in einem Self-Service durchzuführen. Die Implementierung als App mit graphischer Oberfläche ermöglicht das Ausführen der Big-Data-Analyse auch von Anwendern, die mit den Details des Analysealgorithmus nicht vertraut sind. Im Ergebnis reduziert sich die Anzahl der erforderlichen Testfahrten, da nun relevante Ereignisse in einem bereits vorhandenen Datensatz gefunden werden können, was zu enormen Kostenreduzierungen führt, und die Gesamtproduktivität wird drastisch gesteigert.
Projekt-
steckbrief
Unsere Rolle
-
Unterstützung des Kunden durch Data Scientists und Data Engineers
Unsere Tätigkeiten
-
Entwicklung einer Bibliothek zur pattern-basierten Extraktion definierter Ereignisse
-
Anwendung von Advanced Analytics, Machine Learning und Deep Learning zum Tagging anomaler Ereignisse
-
Export relevanter Datenausschnitte und Bereitstellung für vorhandenes Visualisierungstool
Technologien & Methoden
-
Applikationen: DaSense, Tableau
-
Datenbanken: Hive, Hbase, MF4, Parquet
-
Sprachen / Frameworks: Python (Anaconda Stack), Hadoop, Spark
-
Methoden: Zeitreihenanalysen, Spektralanalyse, Korrelationen, Machine Learning, Deep Learning