Predictive Maintenance

Daten

Vorausschauende Instandhaltung ist ohne umfangreiche Daten nicht denkbar. Daten können sich jedoch in Bezug auf Qualität und Detaillierungsgrad stark unterscheiden. Dies hat einen großen Einfluss auf die Entwicklung von KI Modellen, da diese nur bei einem großen Informationsgehalt der Daten gute Resultate erzielen können.

Bei Produktionsmaschinen liegen die Daten oft in verschiedenen Detaillierungsgraden vor:

- Rohdaten

- Ereignisbasierte Daten

- High-Level-Informationen

- High-Level-Aktionen

Für die Entwicklung von KI-Modellen macht es einen großen Unterschied, ob nur Fehlercodes oder die Rohdaten der Sensoren vorliegen. Ein häufiges Problem stellt oft das Fehlen wichtiger Kontextinformationen dar. Unterschiedliche Chargen mit 2 kg und 2,5 kg Werkstückgewicht wirken sich unterschiedlichen auf die Sensordaten aus und müssen berücksichtigt werden, damit diese Unterschiede nicht fälschlicherweise als Anomalie klassifiziert werden.

Infrastruktur

Ein reibungsloser Ablauf der Datenverarbeitung und die Verwendung von trainierten KI-Modellen zur Wartungsoptimierung ist nur durch ein orchestriertes Zusammenspiel mehrerer Systeme möglich. Hier ist ein kurzer Überblick über die verschiedenen Komponenten, die für eine Infrastruktur benötigt werden:

- Eine Connectware, um Sensoren oder Maschinen verschiedener Hersteller an ein einheitliches System anzubinden

- Skalierbarer Datenspeicher und eine Big-Data-Processing-Engine, um Streaming-Daten zu verarbeiten (falls Echtzeitdaten erforderlich sind)

- Rechenressourcen und Umgebungen für das Training von KI-Modellen

- Dienste zur Übermittlung der Vorhersagen der KI-Modelle an den Endnutzer

Ein häufiges Problem im Bereich der vorausschauenden Instandhaltung ist die große Anzahl von Sensor-Herstellern mit unterschiedlichen Protokollen zur Übertragung von Daten. Gemeinsam mit unserem Partner Cybus, der auf den Bereich Connectware spezialisiert ist, können wir diese Herausforderung meistern.

Domainspezifisches Wissen

Ein tiefes Verständnis für die Grundlagen des maschinellen Lernens sollte jeder Data Scientist kennen. Welche wichtigen Annahmen hat ein Algorithmus? Wie kann man die Fallstricke des Information Leakage beim Training vermeiden?

Neben der richtigen Auswahl der Algorithmen besteht die Kunst aber meistens darin, die Automatisierungsaufgabe als maschinelles Lernproblem korrekt zu formulieren. Dies gilt insbesondere für den Bereich der vorausschauenden Instandhaltung. Das grundlegende Problem der Anomalieerkennung ist das Fehlen einer Definition, wie unterschiedlich eine Neuheit sein muss, bevor man sie als abnormal einstuft. Markierte Daten für das Training von Modellen sind diesem Kontext oft nicht verfügbar.

Entweder ist es nicht möglich, normales und anormales Verhalten auf alle möglichen Arten zu beobachten, oder es ist zu teuer, spezifische Kennzeichnungen zu erhalten.

Durch die zahlreichen Projekte, die wir im Bereich der vorausschauenden Instandhaltung durchgeführt haben, können wir mit vielen Erfahrungswerten Ihr Projekt optimal unterstützen.

Endnutzer-zentrierte Anwendung

Bei allen Produkten mit einem KI-Anteil ist die Nutzerzentrierung wichtig. Oft werden Blackbox Lösungen gebaut, denen in dem täglichen Einsatz dann nicht vertraut werden.

Human in the loop ist hier der zentrale Ansatz. In einem Dashboard für den Werker an der Maschine oder in der Prozessleitzentrale muss erkennbar sein, warum gewisse Prognosen oder Anomalie Erkennungen getätigt wurden. Wenn wir bei unseren Kunden KI-Technologie implementieren, dann werden immer bestehende Prozesse und Arbeitsweisen verändert, sodass das Change-Management eine wichtige Rolle für einen erfolgreichen Projektverlauf einnimmt.