Kundeninformationen

Gegründet im Jahr 1939 hat sich Ferrari einen Namen in der Welt der Luxusautos gemacht. Der renommierte Automobilhersteller schafft einzigartige, hochwertige und individuelle Fahrerlebnisse, wobei stets ein besonderer Fokus auf Sicherheit gelegt wird. Durch kontinuierliche Spitzenleistungen und die Einführung innovativer sowie zuverlässiger Fahrzeuge hat sich das Unternehmen dazu entschlossen, ein fortschrittliches und intelligentes Dynamometer-Test-System zu integrieren.

ORT:Italien
[object Object] on the map

Projektdetails

Um dieses Ziel zu erreichen, hat der Kunde Andersen als Partner für seine Initiative ausgewählt. Diese Entscheidung basierte auf unserer nachgewiesenen Erfolgsbilanz und unserem Fachwissen in allen relevanten Fachgebieten.

In general, we were entrusted with:

  • Elaborating failure models and health indicators;
  • Building ML models to train the system on historical data to constantly improve the accuracy and quality of failure predictions;
  • Developing a predictive maintenance system to reduce operating costs and equipment downtime.
Dauer10+ Monate
Technologien
Forschungs- und Entwicklungsphase

Herausforderungen

Das Projekt konzentrierte sich auf eine entscheidende Herausforderung, die der Kunde bei der Entwicklung neuer Fahrzeugdesigns bewältigen musste – nämlich den Bedarf an umfassenden Testrunden.

Ein solches Dyno-Test wird von der dedizierten Abteilung des Kunden durchgeführt. Dabei werden verschiedene Messwerte und Eigenschaften erfasst, darunter:

  • Leistung;
  • Schubkraft;
  • Drehmoment;
  • Drehzahl.

Dyno-Tests werden mithilfe anspruchsvoller Einrichtungen durchgeführt, die über zahlreiche Sensoren zur Messung von Beschleunigung, Emissionen und anderen Parametern verfügen.

Der Kunde stand vor der bedeutenden Herausforderung der Störanfälligkeit dieser Geräte. Schon der Ausfall eines einzelnen Sensors konnte zu einem Teststopp führen und die Entwicklungsprozesse beeinträchtigen. Trotz der Ausstattung der Geräte mit Telemetrie zur Überwachung und Selbstdiagnose sowie Funktionen wie einer rotierenden Radwelle und Spannungssensoren blieb diese Einschränkung bestehen.

Daher bestand das Hauptziel darin, die erfassten Daten zu verwenden, um ein vorausschauendes Wartungssystem für die Abteilung, die für die Prüfung von Neuwagen verantwortlich ist, einzurichten. Dies würde für den Kunden einen erheblichen Fortschritt im Vergleich zu den herkömmlichen reaktiven (nach einer Panne) und geplanten (in bestimmten Abständen) Prüfprogrammen darstellen.

Durch unser Engagement wurde ein bahnbrechendes System für vorausschauende Wartung eingeführt. Diese Lösung nutzt ein selbstlernendes ML-Datenmodell. Das Modell analysiert Abweichungen, lernt im Laufe der Zeit selbstständig und verbessert die Genauigkeit seiner Prognosen mit jedem Ausfall. Diese Vorhersagen generieren Empfehlungen für Reparaturen und Ersatz, bevor ein Ausfall eintritt, und optimieren somit die Effizienz des Testprozesses.

Lösung

Erkundungsphase-Aktivitäten

In der Erkundungsphase, die von unseren Experten eingeleitet wurde, waren die folgenden Ziele vorgesehen:

  • Festlegung der Kriterien und Merkmale der Geräte;
  • Erstellung von Katalogen für Fehler und Geräteausfälle;
  • Formulierung von Hypothesen zu Geräteausfällen;
  • Festlegung der Kriterien für die Modellgenauigkeit sowie der Dateneingabe und -ausgabe;
  • Festlegung der Daten und Formate für die Ausgabe von Empfehlungen;
  • Beschreibung der Zielsystemarchitektur;
  • Vorbereitung der Dokumentation für die zukünftige Entwicklung;
  • Auswahl eines entscheidenden Geräts für ein MVP und schrittweises Ausbauen des Systems.

In der sechswöchigen Discovery-Phase waren sowohl ein vom Kunden bestimmter Produktinhaber als auch die folgenden Mitarbeiter unseres Unternehmens beteiligt:

  • Ein System- und Datenanalyst;
  • Ein Delivery-Manager;
  • Ein ML-Ingenieur und Experte für Datenwissenschaft;
  • Ein Lösungs- und Datenarchitekt.

Ergebnisse der Erkundungsphase

Die gemeinsamen Anstrengungen von Ferrari und Andersen haben zu folgenden Ergebnissen geführt, die eine solide und vielversprechende Basis für die Entwicklungsphase bilden:

  • Das "Vision & Scope" Dokument
  • Eine Serie von Dokumenten für kommende Entwicklungsarbeiten
  • Leitlinien für die Architektur- und Datenvision

Da dieses Projekt von Beginn an als ML-getriebene Initiative konzipiert war, standen datenbezogene Aspekte im Fokus, darunter:

  • Datenstruktur und -flüsse;
  • Data Lake und DWH;
  • ML/DL-Aspekte, die ein klar definiertes Datenmodell und Prozesse umfassen, die auf einer gründlichen Analyse der vorhandenen Daten basieren;
  • Festgelegte Kriterien für ML/DL-Prognosemodelle, das ML/DL-API-Modell und relevante RNN/CNN-Modelle.

Entwicklungsphase

Nach der Erkundungsphase starteten unsere technischen Experten die Entwicklung des geplanten Systems. Um einen zeitlichen und budgetfreundlichen Fortschritt sicherzustellen, schlugen wir ein Managed-Delivery-Framework vor. Dieser Ansatz ermöglicht ein ausgewogenes Budgetmanagement und Flexibilität bei der Implementierung von Funktionen. Er erlaubt zudem die Schätzung des Umfangs mit möglichen Anpassungen als Reaktion auf Hindernisse, unzureichende Details, fehlende Informationen und andere Einflussfaktoren.

Durch diese Herangehensweise konnte der Kunde von den folgenden Vorteilen profitieren:

  • Budgetkontrolle in jeder Phase;
  • Reduzierte Risiken und Unsicherheiten;
  • Dynamische Priorisierung für alle Phasen;
  • Flexibilität bei der Anpassung des Umfangs in einzelnen Iterationen durch den Einsatz agiler Praktiken und Zeremonien.