Fahrzeuge produzieren Daten, die größtenteils nicht genutzt werden, obwohl aus ihnen wichtige Informationen über den aktuellen Zustand von Bauteilen generiert werden könnten. Ein unerwarteter Bauteilausfall führt neben der Verärgerung des Kunden auch zu einer Erhöhung der Ausfallzeit des Fahrzeuges. Insbesondere für Flottenkunden, die auf die permanente Verfügbarkeit ihrer Fahrzeuge angewiesen sind, führt der Ausfall eines Fahrzeugs zu erheblichen monetären Schäden. Die Möglichkeit einer Prädiktion von unerwartetem Bauteilausfall mittels maschinellen Lernens ist bei einem hochdynamischen System, wie dem Verbrennungsmotor, komplex und verlangt einer tiefgehenden Untersuchung. Die vorliegende Arbeit befasst sich deshalb mit der Entwicklung einer Methodik zur Vorhersage von unerwartetem Bauteilverschleiß in Nutzfahrzeug-Aggregaten. Als Pilotprojekt wird die AGR-Kühler-Versottung betrachtet. Signale, die für die Versottung relevant sein könnten, wurden selektiert und durch Messgeräte, welche in die Versuchsfahrzeuge eingebaut wurden, aufgezeichnet. Durch ein eigens entwickeltes Datenaufbereitungsmodell wurden die erhobenen Daten automatisiert verarbeitet. Drei Vorhersagemodelle mit einer kurzen Vorhersagezeit wurden entwickelt und die aufbereiteten Daten in diese implementiert. Danach wurde ein Modell entwickelt, womit die Vorhersagezeit kontinuierlich erhöht und die Auswirkung auf die Fehlerrate analysiert wurde. Anschließend wurde zur Optimierung der Systemparameter ein Modell entwickelt, um den Einfluss dieser auf die Fehlerrate zu untersuchen. Der Einzelsignalbeitrag zum Versottungswert wurde untersucht und die Beziehungen der betrachteten Signale untereinander mittels eines eigens entwickelten Modells analysiert. Um keine weiteren Signale aus den Steuergeräten freigeben zu müssen, wurde eine Untersuchung zur Vorhersagegüte des Versottungswertes durch reine CAN-Input-Größen durchgeführt. Eine Auswahl des Vorhersagemodells mit der höchsten Güte über alle Analyseschwerpunkte wurde getroffen. Dieses Modell wurde anhand neuer Fahrzeuge und Datensätze validiert. Des Weiteren wurde das Modell auf weitere Fahrzeugmodelle, Motor-Getriebe-Varianten und Teststrecken angewandt. Anschließend wurde die Eignung des Modells auf die Schadensbilder Ölverdünnung und Zahnriemenlängung analysiert. Die gewonnenen Erkenntnisse und die entwickelte End-To-End-Architektur dienten als Beweis für die Möglichkeit einer Prädiktion von unerwartetem Bauteilausfall und der Empfehlung zur Betrachtung weiterer Schadensbilder mit Blick auf Kundennutzen.weiterlesen