Abschlussarbeit | Predictive Maintenance: Ausfallvorhersagen mit Machine Learning auf Diagnosedaten

Intro

Predictive Maintenance zielt darauf ab, Ausfälle vorherzusagen, bevor sie auftreten. Dadurch kann Wartung gezielt vor dem Schadensfall geplant und so Stillstandzeiten bzw. Servicekosten reduziert werden. Während das einfachere Preventive Maintenance nach festen Intervallen oder einfachen Schwellenwerten wartet, leitet Predictive Maintenance aus dem tatsächlichen Zustand eines Fahrzeugs bzw. Steuergeräts ab, wann ein Ausfall zu erwarten ist und wertet dazu das Systemverhalten im Ganzen aus statt einzelner Grenzwerte. Etablierte Verfahren außerhalb der Fahrzeugdiagnose setzen dafür in der Regel eine kontinuierliche Zustandsüberwachung voraus, also fortlaufend erfasste Messwerte wie Temperatur, Vibration oder Ströme. In der Fahrzeugdiagnose liegen solche Daten meist nicht vor: Diagnosedaten werden überwiegend ereignisbezogen erhoben, typischerweise bei Werkstattbesuchen. Pro Fahrzeug existieren dadurch nur einzelne, zeitlich weit auseinanderliegende Momentaufnahmen statt eines kontinuierlichen Messstroms.

Die zentrale Herausforderung dieser Arbeit besteht darin zu untersuchen, wie gut sich Machine-Learning-Verfahren auf solchen zeitlich verteilten, lückenhaften Daten anwenden lassen, welche Ansätze sich dafür am besten eignen und ob damit letztlich verlässliche Fehlervorhersagen möglich sind. Ein weiteres Ziel ist es, Anforderungen an die Datenbasis abzuleiten – also zu bestimmen, welche Daten in welcher Qualität und Menge für belastbare Vorhersagen erforderlich sind. Bei Bedarf sollen fehlende Daten gezielt durch Diagnoseroutinen oder synthetische Datengenerierung ergänzt werden.

Die Arbeit deckt die gesamte ML-Pipeline ab – von der Datenanalyse und -aufbereitung über die Auswahl und das Training geeigneter Algorithmen bis zur Bewertung der Vorhersagequalität anhand belastbarer Metriken. Am Ende soll die Kernfrage beantwortet sein, ob Predictive Maintenance auf Basis von Diagnosedaten grundsätzlich möglich ist. Es stehen reale Daten aus unserem Diagnosetester zur Verfügung, und du kannst an der Entwicklung eines Prototyps direkt in unserem Tool mitwirken.

Um das Studium und die Arbeit unter einen Hut zu bekommen, bieten wir nach individueller Abstimmung, und abhängig von der jeweiligen Tätigkeit, auch mobiles Arbeiten an. Bitte beachte, dass reine Remote-Arbeit nicht möglich ist.

Deine Aufgaben

• Analyse, Bewertung und Aufbereitung vorhandener Diagnosedaten (Labeling, Filterung, bei Bedarf Generierung und Augmentierung) sowie Erarbeitung von Strategien zur Verbesserung von Datenqualität und -quantität
• Auswahl, Training und Optimierung geeigneter Machine-Learning-Algorithmen für die Ausfallvorhersage
• Bewertung der Vorhersagequalität anhand aussagekräftiger Metriken und Ableitung von Anforderungen an die Datenbasis
• Optional, je nach Fortschritt und Interesse: Integration der Vorhersagen in ein bestehendes Vector-Tool, Konzepte zur (LLM-gestützten) Automatisierung des Workflows sowie Quantifizierung der Kostenersparnis anhand eines realen Use Cases

Dein Profil

• Studium der Fachrichtung Informatik, Data Science, Elektrotechnik, Mathematik, Physik oder vergleichbarer Studiengang
• Gute Programmierkenntnisse in Python; idealerweise mit gängigen ML-/Data-Science-Bibliotheken (z. B. NumPy, pandas, scikit-learn, PyTorch oder TensorFlow)
• Erfahrungen/Kenntnisse in Maschinelles Lernen, Datenanalyse und statistische Grundlagen
• Idealerweise Erfahrungen/Kenntnisse in Predictive Maintenance