ML-gestütztes Empfehlungssystem für sensorische Fahrzeugdaten
Internationaler Automobilhersteller – Automotive / F&E
30 % weniger Zeitaufwand im ersten Analysedurchgang
Wiederkehrende Fehlermuster vollständig automatisiert erkannt
Ziel: >100 Mannmonate jährliche Zeitersparnis in kommenden Entwicklungszyklen
Ausgangssitutation
In der Fahrzeugentwicklung fallen pro Testzyklus tausende sensorische Messreihen an. Signalauffälligkeiten müssen manuell gesichtet, klassifiziert und dem zuständigen Fachbereich zugeordnet werden. Bei einem internationalen Automobilhersteller mit umfangreichen F&E-Aktivitäten bedeutete das: Ingenieure verbrachten einen erheblichen Teil ihrer Arbeitszeit damit, Fehlermuster zu identifizieren, die sie im nächsten Zyklus erneut sehen würden. Wissen über wiederkehrende Signalauffälligkeiten war in den Köpfen einzelner Mitarbeitender, nicht im System.
Kernherausforderung
Das Problem lag nicht im Fehlen von Daten, sondern im fehlenden Gedächtnis des Prozesses. Jede neue Messreihe wurde behandelt, als existierten keine Vorgänger. Frühere Diagnosen wurden nicht systematisch erfasst, vorhandene Klassifikationen nicht als Trainingsbasis genutzt. Die manuelle Sichtung durch erfahrene Ingenieure war fachlich präzise, aber nicht skalierbar. Mit steigendem Testvolumen wuchs der Aufwand proportional, ohne dass sich Erkenntnisse aus abgeschlossenen Zyklen im nächsten Durchgang automatisch nutzen ließen. Ein Empfehlungssystem, das aus historischen Diagnosedaten lernt und ähnliche Muster in neuen Signalen erkennt, existierte nicht.
Lösung
SMA Dev entwickelte ein ML-basiertes Empfehlungssystem, das sensorische Signale mit historischen Diagnosedaten abgleicht und automatisch Klassifikationsvorschläge generiert. Statt einem Blanko-Screening steht dem Ingenieur beim nächsten Durchgang ein vorstrukturiertes Bild: welche Auffälligkeit wurde in vergleichbaren Signalen wie klassifiziert, welchem Fachbereich zugeordnet, wie bewertet. Der entscheidende Schritt war, bestehende Diagnosehistorien als Trainingsdaten nutzbar zu machen, anstatt auf synthetische Daten oder generische Modelle zurückzugreifen. Das System wächst mit jedem neuen Zyklus, weil neue Klassifikationen direkt in die Basis zurückfließen.
Die Integration war bewusst auf den bestehenden Prüfprozess ausgerichtet. Ingenieure übernehmen Vorschläge, korrigieren sie oder verwerfen sie, ihr Feedback verbessert das Modell kontinuierlich. Akzeptanz war keine Voraussetzung, die kommunikativ erzeugt werden musste, sondern Ergebnis eines Systems, das sichtbar Arbeit abnimmt.
Ergebnis
Im ersten Analysedurchgang sank der Zeitaufwand um bis zu 30 %. Wiederkehrende Fehlermuster werden seither vollständig automatisiert erkannt und zugeordnet, ohne manuelle Erstklassifikation. Das Projekt läuft seit 2024 weiter. Die nächsten Entwicklungszyklen zielen auf mehr als 100 eingesparte Mannmonate jährlich, wenn das System auf das volle Testvolumen hochskaliert ist.
Ihre sensorischen Daten aus Prüfprozessen wachsen schneller als die Kapazität, sie auszuwerten.
Wir finden gemeinsam heraus, wo in Ihrem Prüf- oder Entwicklungsprozess automatisierte Mustererkennung sofort greift.
Termin mit Michael Mörs (CEO) buchen:
In 30 Minuten klären wir, wo Sie stehen und wie wir helfen können.