KI-gestützte vorausschauende Wartung optimiert Elektrobusse
Die neue Studie aus dem arXiv-Repository zeigt, wie künstliche Intelligenz die Wartung von Elektrobussen revolutioniert. Durch die Analyse von zweijährlichen CAN‑Bus‑Daten können Anomalien frühzeitig erkannt und Ausfallzeiten minimiert werden.
Ein innovatives graphbasiertes Feature‑Selection‑Verfahren kombiniert statistische Filter wie Pearson‑Korrelation, Cramer's V und ANOVA‑F‑Test mit Community‑Detection‑Algorithmen (InfoMap, Leiden, Louvain, Fast Greedy). So werden die wichtigsten Parameter aus dem komplexen elektrischen Antriebssystem herausgefiltert.
Die daraus entwickelten Machine‑Learning‑Modelle – SVM, Random Forest und XGBoost – wurden mittels Grid‑ und Random‑Search optimiert. Durch SMOTEEN‑Balancing und binäre Down‑Sampling‑Strategien wurde die Klassifikationsleistung weiter gesteigert. Mit LIME konnten die wichtigsten Einflussfaktoren transparent gemacht werden.
Die Ergebnisse demonstrieren, dass das System zuverlässig Fahrzeugalarme vorhersagen kann. Damit wird eine proaktive Wartungsstrategie ermöglicht, die den Prinzipien von Industrie 4.0 entspricht und die Effizienz von Elektrobusflotten nachhaltig steigert.