MA Abschlussvortrag, Jan Vischer, Ort: Online, Datum: 03.05.2022, Zeit: 13:00 Uhr

Softwareentwicklung ist auch in der Automobilbranche ein höchst komplexer Prozess mit einer entsprechenden Fehleranfälligkeit. Um Fehler im Feld zu vermeiden, müssen möglichst früh während der Entwicklungsphase Maßnahmen getroffen werden, die etwaige Fehler verhindern oder vor Markteinführung des Fahrzeugs beseitigen. Die bestehende Methode Software-Reifegradprognose ermöglicht bereits eine  Prognose von Fehlerhäufigkeiten innerhalb der Entwicklungsphase. Sie soll mithilfe von Kundendaten auf das Feld erweitert werden, damit auch frühzeitig prognostiziert werden kann, wie stark sich eine Fehlerverlaufskurve innerhalb der Entwicklungsphase tatsächlich auf das Feld auswirkt. Damit können frühzeitig sehr gezielt Maßnahmen ergriffen werden. Um dieses Ziel zu erreichen, werden zunächst Machine- Learning Methoden ausgewählt. Für die ausgewählten Methoden werden Skripte zur Prognose der Feldausfälle erstellt und anschließend nach ihrer Präzision und damit Tauglichkeit bewertet. Die Ergebnisse zeigen, dass sowohl ein Neuronales Netz, ausgelegt als Klassifizierung mithilfe der Sigmoid und Softmax Aktivierungsfunktion, als auch ein Random Forest Algorithmus geeignet für diese Prognose ist. Für einen  Einsatz unter realen Bedingungen ist es jedoch notwendig, die zugrundeliegenden Datenbanken so zu erweitern, dass die Daten sicher und eindeutig verknüpft werden können. Mithilfe dieser Methoden kann die Software-Reifegradprognose auf Felddaten erweitert werden.