Predictive Maintenance – eine kurze Einführung

von | 14. Aug. 2019 | Künstliche Intelligenz

Predictive Maintenance ist ein Teilgebiet des Predictive Modelling, das sich darauf spezialisiert den Zustand von physischen Ressourcen vorherzusagen [1]. Als Ressourcen können dabei Alltagsgegenstände im Büro, wie z.B. Kopierer, Computer, Dienstfahrräder, bis hin zu Bauteilen in größeren Systemen, wie z.B. Motoren, Getriebe, Lager, oder auch Maschinen in Fertigungslinien der Industrie verstanden werden.

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

Bei den modernen und stark datengetriebenen Verfahren des Machine-Learnings gilt es dabei einiges zu beachten. So müssen die zur Verfügung gestellten Daten überhaupt dafür geeignet sein, ein bestimmtes Verhalten vorherzusagen. Weiterhin enthalten die Datensätze optimalerweise nicht nur Verläufe von Kenngrößen, sondern auch Informationen über die eingeleiteten Aktionen / Maßnahmen nach dem Erkennen von Fehlerquellen. So kann prädiktiv ein Fehler erkannt und darüber hinaus auch eine Schätzung für die mögliche Lösung angegeben werden. Das Folgende klingt zwar banal, ist aber an Wichtigkeit kaum zu übertreffen: Da ein Fehler üblicherweise der Ausnahmezustand eines Systems ist, muss zusätzlich darauf geachtet werden, dass der beschreibende Datensatz überhaupt negative Beispiele enthält. Denn ohne negative Beispiele gibt es nichts zu lernen. Ein weiterer Punkt, den es zu beachten gilt, ist das Problem der unbalancierten Klassen [7]. Im Regelfall liegen dem Datensatz viel mehr fehlerfreie, als fehlerbehaftete Daten zugrunde, was bei der Auswahl der Algorithmen und dem Preprocessing der Daten auf jeden Fall berücksichtigt werden muss. Eine Art dieses Problem anzugehen ist durch Resampling [8] gegeben.

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.

[2]  Betti, A.  et al., Predictive Maintenance in Photovoltaic Plants with a Big Data Approach, 01.08.2019.

[2]  Chaudhuri, A., Predictive Maintenance for Industrial IoT of Vehicle Fleets using Hierarchical Modified Fuzzy Support Vector Machine, 01.08.2019.

[2]  Bangalore, P., et al., An Artificial Neural Network Approach for Early Fault Detection of Gearbox Bearings, 01.08.2019.

[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).

[6]  Mayr, A., et al., The Evolution of Boosting Algorithms – From Machine Learning to Statistical Modelling (2014).

[7]  Aggarwal, C., Outlier Analysis (2017). 

[8]  Lema, G., et al, Imbalancedlearn: 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.

 

 

 

 

Dr. Dennis Müller, Data Scientist