Predictive Maintenance

Machine Learning und automatisiertes Forecasting für die Industrie 4.0

Ungeplante Produktionsausfälle sorgen in der Industrie für hohe Verluste. Ist die Maschinenverfügbarkeit eingeschränkt, können häufig die Produktionsziele und die gebuchten Aufträge nicht eingehalten werden. Um diesen Problemen vorzubeugen, werden viele Wartungen durchgeführt oder Mechaniker sowie die notwendigen Ersatzteile für eine direkte Reparatur eingeplant. Beides führt zwar zu geringen Ausfallzeiten, gleichzeitig aber auch zu höheren Wartungskosten.

Mit smarten Produkten und Data Science können neue Lösungen für die Industrie 4.0 angeboten werden. Durch Predictive Maintenance, also vorausschauende Instandhaltung, wird der Betrieb von Maschinen automatisch überwacht und Ausfallzeiten vorhergesagt. Dies ermöglicht sowohl eine Senkung der Ausfallzeit als auch eine Reduzierung von Wartungskosten.

“In Zukunft werden menschliche Ressourcen aktiv und gezielt durch datengetriebene Automatisierung unterstützt. ”

Moritz Burkardt / Data Consultant / taod Consulting

Vorteile von Predictive Maintenance

  • Effizientere Produktion durch weniger Ausfallzeiten
  • Weniger ungeplante Ausfälle verringern Stillstand ganzer Produktionsketten
  • Verlängerung der Lebensdauer durch optimalen Wartungszeitraum
  • Geringere Wartungskosten durch optimierte Wartungspläne
  • Senkung der Lagerkosten für Ersatzteile
Predictive Maintenance Projekt taod

Ein Projekt für Predictive Maintenance starten

Die vorausschauende Instandhaltung stellt für Unternehmen eine höchst individuelle Angelegenheit dar. Es gibt zahlreiche und teils einzigartige zu berücksichtigenden Faktoren, die ein zuverlässiges automatisiertes Monitoring gewährleisten. Welche Sensoren werden für die jeweiligen Maschinen benötigt? Wie werden geeignete Daten für eine Erkennung von Anomalien ermittelt? Welches Data Science Modell liefert die besten Ergebnisse?

Solche und viele weitere Fragen gilt es von Beginn an bis in das kleinste Detail zu klären. Deshalb analysieren wir jedes einzelne Projektvorhaben umfangreich wie gründlich und zerlegen es in seine kleinsten Komponenten, um zu einer differenzierten Ausgangslage zu gelangen. Diese Informationen verarbeiten wir anschließend mit hohem Level of Detail, um darauf basierend ein performantes KI-gestütztes Prognosemodell zu entwickeln.

Unsere Vorgehensweise

Predictive Maintenance in seinen Konzeptbestandteilen

Auswahl des Anwendungsfalls

Vor dem eigentlichen Start wird zunächst der konkrete Anwendungsfall besprochen. Nicht für jede Industrie oder jede Maschine ist die vorausschauende Instandhaltung geeignet. Wesentliche Voraussetzung ist, dass für die später stattfindende Berechnung der Ausfallwahrscheinlichkeit genügend Daten erhoben werden können. Deshalb sind vor allem Anwendungsfälle mit umfangreichem Maschinenpark oder häufiger Ausfallszeit geeignet.

Ausstattung mit Sensoren

Für die Datenerfassung werden je nach Anwendungsfall die notwendigen Sensoren entwickelt und installiert. Dies können zum Beispiel Kraft- oder Geschwindigkeitsmesser sein sowie Sensoren für die Temperaturbestimmung.

Implementierung der IoT Architecture

Für eine reibungslose Datensammlung ist eine entsprechende IoT Architecture unabdingbar. Wesentliche Anforderungen dabei sind die Verarbeitung und langfristige Speicherung einer hohen Datenmenge. Hierzu können auch Technologien wie das Edge Computing für eine lokale Vorverarbeitung der Daten zum Einsatz kommen.

Sammeln und Aufbereiten von Daten

Als Grundlage für die Berechnung der Ausfallwahrscheinlichkeit ist eine große Datenmenge notwendig. Hierfür werden alle Sensordaten bei laufendem Betrieb gesammelt und mit zusätzlichen Informationen wie Wartungsterminen oder Alter ergänzt.

Datenanalyse mit Machine Learning und AI

Die vorhandenen Daten werden in ein Test- und ein Lern-Datenset geteilt, mit denen verschiedene Machine-Learning- und AI-Modelle trainiert werden. Die Ergebnisse werden anschließend analysiert und miteinander verglichen. Das Modell mit der besten Vorhersagekraft wird dann für den produktiven Betrieb implementiert.

Vorhersage der Ausfallwahrscheinlichkeit und Visualisierung

Durch das implementierte Modell können nun die Ausfallwahrscheinlichkeit und damit verbunden auch Wartungsintervalle und Ersatzteilbedarfe vorhergesagt werden. Für eine optimale Nutzung der Daten ist die richtige Aufbereitung in Dashboards entscheidend. Tools wie Tableau oder Power BI ermöglichen allen Mitarbeitenden permanenten Zugang zu Daten und realisieren Self-Service-Angebote. Die Visualisierung geht dabei über die reine Darstellung der Ausfallwahrscheinlichkeit hinaus und kann weitere Informationen wie den Standort, die zuständige Mechaniker oder eine Übersicht über notwendige Ersatzteile beinhalten.

Themen, Services und Beratung rund um Predictive Maintenance

Predictive Maintenance FAQ

Maschinen und Produkte werde als „smart“ bezeichnet, wenn sie die Möglichkeit der Datensammlung und Datenübertragung besitzen. Dies können sowohl Alltagsgegenstände wie Kühlschränke oder Lampen, aber auch Maschinen in Produktionsprozessen sein. Smart Products liefern die Datengrundlage, um durch Data Analytics effizientere Produktionsketten zu ermöglichen oder gänzlich neue Geschäftsfelder zu erschließen.

Edge Computing ist eine dezentrale Datenverarbeitung und der Gegensatz zum Cloud Computing. Edge Computing wird vor allem im IoT-Kontext eingesetzt. Hierbei werden Daten von Smart Products lokal vorverarbeitet, um entweder zeitkritische Entscheidungen auf Basis dieser Daten zu treffen oder um im Nachgang nur eine geringere Datenmenge in die Cloud zu übertragen.

IoT-Projekte mit einer Vielzahl an Daten sorgen für neue Anforderungen an die Data Architecture. Für die IoT-Architecture ist die ideale Verbindung von Edge Computing und Cloud Computing entscheidend, damit eine möglichst schnelle Datenverarbeitung erfolgen kann.

Moritz Burkardt - Data Consultant - taod Consulting

Moritz Burkardt

Data Consultant
moritz.burkardt@taod.de
+49 151 420 815 72

Du brauchst Unterstützung im Bereich Predictive Maintenance ?

UP
Kontakt aufnehmen
linkedin facebook pinterest youtube rss twitter instagram facebook-blank rss-blank linkedin-blank pinterest youtube twitter instagram