Intelligente Bewertung von Messwerten und Fehlercodes zur KFZ-Problemdiagnose

Die KFZ-Problemdiagnose basiert bisher stark auf ausgelesenen Fehlercodes und zusätzlich erfassbaren diagnostischen Messdaten. Diese Daten werden häufig manuell interpretiert, was die Diagnose zeitaufwändig macht und umfassendes Wissen erfordert. Die langfristige Vision ist daher eine vollständig datengetriebene Diagnose.

Wir diskutieren Herausforderungen, die sich bei der erforderlichen Bewertung von Messwerten und Fehlercodes ergeben und zeigen auf, wie diese Herausforderungen durch Data-Science-Ansätze adressiert werden können, beispielswiese durch die Modellierung des "Gesundzustandes" und die Identifikation von Anomalien.

Vorkenntnisse
Der Zuhörer sollte Interesse für den Nutzen von Predictive-Analytics-Methoden in der Industrie mitbringen. Grundkenntnisse in der Arbeit mit großen Datenmengen sind von Vorteil.

Lernziele
Dem Zuhörer werden die Möglichkeiten und Probleme des Einsatzes von Predictive Analytics in der Diagnose von Kraftfahrzeugen vermittelt. Ein spezieller Fokus liegt darauf, wie durch Integration von Expertenwissen und Predictive-Analytics-Methoden Mehrwert geschaffen werden kann. Ein besonderer Schwerpunkt liegt hierbei auf der Generalisierbarkeit von Modellen und Ansätzen über Fahrzeuge hinweg.

// Sebastian Blanc

studierte Informationswirtschaft am Karlsruher Institut für Technologie (KIT). Ab 2013 arbeitete er als wissenschaftlicher Mitarbeiter am KIT in verschiedenen Data-Science-Projekten. Seine Dissertation über die Kombination von Forecasts beendete er 2016. Seit 2017 leitet Blanc als Senior Data Scientist bei anacision Data-Science-Projekte in diversen Branchen.