AT_Logo

PREDICTIVE MAINTENANCE MIT [at]

In der Vergangenheit wurde die Wartung immer nach festen, vordefinierten Intervallen durchgeführt. Heute können Sie mithilfe von KI-Modellen vorausschauenden Wartungsszenarien realisieren. Diese Modelle können aktuelle Sensordaten mit historischen Daten vergleichen und dadurch unübliche Verhaltensmuster bei Komponenten einer Maschine erkennen, die sonst verborgen bleiben würden. Somit können bereits frühzeitig Maßnahmen ergriffen werden um einen Abwärtstrend bei der Produktqualität, einer Verschlechterung oder gar einen Ausfall der Maschine zu verhindern.

Unser Predictive Maintenance Ansatz

Auch wenn einige Unternehmen suggerieren, die vorausschauende Instandhaltung als fertige Softwarelösung anbieten zu können, sieht die Realität häufig anders aus. Vorausschauende Instandhaltung mithilfe von AI ist eine Automatisierungsaufgabe, bei der ein grundlegendes Verständnis des Prozesses und der daraus generierten Daten notwendig ist und somit meist einer individuellen Lösung bedarf. Um mit den sehr heterogenen Gegebenheiten bei unseren Kunden umzugehen, haben wir ein 4-stufiges Reifegradmodell entwickelt. Dieses hilft dabei, den Status Quo besser aufzunehmen und ermöglicht ein gemeinsames iteratives Vorgehen.

1.

Zustands-
überwachung

Im klassischen Verständnis der reinen Zustandsüberwachung spielt an dieser Stelle KI noch keine Rolle. Der Fokus liegt hier auf der Darstellung von Sensordaten in Form von Dashboards.

Es ist jedoch möglich, dass eine domänenspezifische Logik für Call-to-Action integriert wird, wie z.B. ein Alarm bei Überschreitung von Grenzwerten.

2.

Anomalie-
erkennung

Danach werden Methoden des maschinellen Lernens eingesetzt, um Veränderungen in den Datenmustern zu erkennen. Ziel ist es, Veränderungen zu identifizieren, die auf potenzielle Schäden hindeuten, sodass Reparaturen durchgeführt werden können, bevor es zu einem Ausfall kommt.

Auf dieser Ebene geht es nicht um die Vorhersage des Zeitpunkts des Ausfalls, sondern um die Erkennung von Anomalien, um Wartungsschritte in der Nähe des potenziell bevorstehenden Ausfalls durchzuführen.

s

3.

Erweiterung der Fehlerdiagnose

Diese Stufe erweitert die reine Anomalieerkennung um den Punkt der Fehlerdiagnose. Nachdem der Beginn des Alterungsprozesses durch maschinelle Lernalgorithmen erkannt wurde, wird die Diagnosekomponente ausgelöst.

Diese Komponente soll eine schnelle und zielgerichtete Wartung ermöglichen, indem mithilfe von Explainable AI eine Lokalisierung der Ursache durchgeführt wird.

4.

Vorhersage der Restnutzungs-
dauer

In dem höchsten Reifegrad wird die reine Erkennung des Alterungsprozesses um die Vorhersage des zu erwarteten Prozessverhalten erweitert.

Das zu lösende Problem ist nun nicht mehr ein Klassifikationsproblem (Maschinenzustand ist ok / nicht ok), sondern ein Regressionsproblem mit der Vorhersage des Zeitpunkts des Maschinenausfalls. Mit diesem Kenntnisstand kann dann die Wahl des Zeitpunkts der Wartung bestmöglich erfolgen.

4 Erfolgsfaktoren für
Predictive Maintenance Projekte

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.

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.

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.

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.

Unsere Partner

aws logo
Microsoft Partner
Cybus Logo

Unsere Predictive Maintenance Experten

Projekte unserer Kunden

Seit 2012 haben wir zahlreiche Predictive Maintenance Projekte erfolgreich umgesetzt. Erfahren Sie hier mehr zu einigen unserer Kundenprojekte zum Thema KI in der Fertigungsindustrie.

Noch Fragen?

Sie möchten wissen, wie KI und Data Science in Ihrer Produktion die Wartungskosten und Maschinenausfälle senken, haben jedoch noch viele Fragen:

 

  • Für welche Maschinen ist ein Predictive Maintenance Ansatz mittels KI sinnvoll?
  • Welche Rahmenbedingungen müssen vorhanden sein, dass aus den Anomalie-Erkennungen auch konkrete Mehrwerte in der Produktion geschaffen werden?
  • Reichen die bisher gespeicherten Daten aus zum Training von KI Modellen?
  • Welche Merkmale können zusätzlich zu den Sensordaten berücksichtigt werden?
  • Wie integriere ich verschiedene Produktionsmaschinen in die unternehmensweite Big Data Infrastruktur?

Dann sprechen Sie mit unseren Experten und erhalten eine erste Einschätzung zu Ihrem Projektvorhaben!

    Sprechen Sie mit uns

    Simon Decker

    Simon Decker

    Predictive Maintenance Projekte