Predictive Maintenance – eine kurze Einführung
Die Hauptziele des Predictive Maintenance, also der Vorhersage von nötigen Wartungsarbeiten oder allgemeiner Ausfallzeiten sind
- die effiziente Ressourcennutzung durch die Maximierung der Vefügbarkeit,
- die Einsparung der Betriebskosten, durch das Verhindern von unnötigen Stillständen oder qualitativ minderwertigem Ausschuss.
Ist man durch den Einsatz von Vorhersagemodellen zum Beispiel in der Lage den Ausfall von bestimmten Teilbereichen in der Produktionskette schon vor ihrem Eintreten mit hoher Wahrscheinlichkeit vorherzusagen, so kann man diesen Ausfall verhindern und somit die Kosten, die durch fehlerhafte Produktionsstücke entstehen, mindern.
Konkrete Modellierungsziele des Predictive Maintenance sind also unter anderem gegeben durch:
- Das frühzeitige Erkennen und/oder Vorhersagen von Anomalien in Kenngrößen des Produktionsstückes oder in Zeitreihen von Sensordaten.
- Das Abschätzen von Restlebensdauern von Ressourcen.
- Die Vorhersage von Wahrscheinlichkeiten für fehlerhaftes Verhalten im folgenden Zeitfenster.
- Das Identifizieren von Ursache-Wirkung-Zusammenhängen, die zum Ausfall führen.
Zum Verfolgen dieser Ziele werden vermehrt nicht nur statistische Verfahren, sondern auch Verfahren des Machine-Learnings eingesetzt [2] . Da über Fertigungsmaschinen als Teil des Internet-of-Things immer mehr Daten verfügbar sind, sind datenhungrige Methoden, wie z.B. tiefe Neuronale Netze, immer verbreiteter [3]. Auch sind es Neuronale Netze [4], die die Grenze des Machbaren im Bereich unstrukturierter Daten, wie z.B. Bilder, in den letzten Jahren verschoben. So lassen sich Bilder von Werkstücken heute mithilfe dieser Netze auf Auffälligkeiten automatisiert überprüfen. Andere Methoden und Modelle, die sich im Bereich der Klassifizierung und Regression immer wieder finden, sind z.B. Decision Trees, Random Forests, Support Vector Machines [5], oder auch geboostete Varianten der genannten Modelle, beispielsweise via AdaBoost oder Gradient Boost [6]. Abhänging von der Qualität und Quantität sowie der Struktur der zur Verfügung stehenden Daten muss von Fall zu Fall entschieden werden, welche Verfahren zu den besten Ergebnissen führen /welche Verfahren die besten Ergebnisse lieferen.
Abstrakte Beschreibung der Eingangsdaten und Vorhersagen des Models, z.B. der Fehlerwahrscheinlichkeit in der nächsten Stunde
Illustration zweier Klassen mit sehr unterschiedlicher Klassengröße.
Anwendung finden die Methoden des Predictive Maintenance z.B. in der Industrie bei der Auswertung von Big Data, generiert durch im Internet-of-Things angeschlossenen Sensoren [9] für Fräsmaschinen, Wärmetauscher und Roboter [10] und vielem mehr [11].
Falls auch Sie die vorhandenen Daten Ihres Unternehmens nutzen wollen, um Ihre Ressourcen effizient zu allokieren und dadurch Ihre Betriebskosten zu senken, kontaktieren Sie uns. Lassen Sie sich von den Experten der Kenbun IT AG unterstützen und nutzen Sie noch heute die Potenziale von Predictive Maintenance in Ihrem Unternehmen.
[1] Mobley, R. Keith. An introduction to predictive maintenance (2nd ed.). Butterworth-Heinemann.
[3] Huuhtanen, T., et al., Predictive Maintenance of Photovoltaic Panels via Deep Learning, 01.08.2019.
[4] Goodfellow, I., et al., Deep Learning (2016).
[5] Hastie, T., et al., The Elements of Statistical Learning (2009).
[7] Aggarwal, C., Outlier Analysis (2017).
[8] Lema, G., et al, Imbalanced–learn: A Python Toolbox to Tackle the Curse of Imbalanced Datasets in Machine Learning, Journal of Machine learning Research (2017), Volume 18, Nummer 17, S. 1-5.
[9] Gemü, Oracle IoT Cloud Service Helps Gemü Drive Safety and Quality, 01.08.2019.
[10] Bosch, Köhler, M, Industry 4.0: Predictive maintenance use cases in detail, 01.08.2019.
[11] Oracle, Trotman, W., 5 Use Cases for Predictive Maintenance and Big Data, 01.2019.
