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 in Unternehmen 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 Fertigungsslinien der Industrie verstanden werden.

Die Hauptziele des Predictive Maintenance, also der Vorhersage von nötigen Wartungsarbeiten, sind eine effiziente Ressourcennutzung und eine 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.

Die konkreten 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 bzw. allgemein in relevanten Messgrößen.
  • Das Abschätzen von Restlebensdauern von Ressourcen.
  • Die Vorhersage von Wahrscheinlichkeiten für fehlerhaftes Verhalten im folgenden Zeitfenster.
  • Das Identifizieren von Ursache-Wirkung-Zusammenhänge, die zum Ausfall führen.

Zum Verfolgen dieser Ziele werden vermehrt nicht nur statistische Verfahren, sondern auch Verfahren des Machine-Learning 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, die sich abhänging von den zur Verfügung stehenden Daten 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].

Abstrakte Beschreibung der Eingangsdaten und Vorhersagen des Models, zB. der Fehlerwahrscheinlichkeit in der nächsten Stunde

B,ei den modernen und stark datengetriebenen Verfahren des Machine-Learning gilt es dabei einiges zu beachten. So müssen die zu 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 nach dem Erkennen von Fehlerquellen. So kann nicht nur prädiktiv ein Fehler erkannt, sondern 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.

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.  

 

[1] Mobley, R. Keith. An introduction to predictive maintenance (2nd ed.). Butterworth-Heinemann.

[2] https://arxiv.org/abs/1901.10855v1, https://arxiv.org/abs/1806.09612v1, https://ieeexplore.ieee.org/abstract/document/7012091

[3] https://ieeexplore.ieee.org/abstract/document/8439898

[4] http://www.deeplearningbook.org/

[5] https://web.stanford.edu/~hastie/ElemStatLearn/

[6] https://arxiv.org/pdf/1403.1452.pdf

[7] https://www.springer.com/de/book/9783319475776

[8] https://imbalanced-learn.readthedocs.io/en/stable/user_guide.html

[9] Gemü, https://video.oracle.com/detail/videos/featured-videos/video/4791943426001

[10] Bosch, https://blog.bosch-si.com/industry40/industry-4-0-predictive-maintenance-use-cases-in-detail/

[11] https://blogs.oracle.com/bigdata/predictive-maintenance-big-data-use-cases

Dr. Dennis Müller, Data Scientist