Datenanalyse und Machine Learning
Zusätzlich zur Erfassung der Echtzeit-Sensordaten sammelte das Team historische Daten, hardwarespezifische demografische Informationen, Wetter- und Geodaten, Inspektionsergebnisse, technische Handbücher und Wartungsberichte. Zusammen mit den Messdaten bieten diese die Datengrundlage für die Ausfallprognosen. Für diese Prognosen mussten auch die jeweils sinnvollsten Algorithmen für das Training der maschinellen Lernmodelle identifiziert werden. Dabei wurden für jedes Bauteil mehrere Modelle des maschinellen Lernens entwickelt, wobei jedes Modell für die Überwachung einer bestimmten Größe (Temperatur, Vibration, Leistungsaufnahme, etc.) verantwortlich ist. Jedes Modell wurde auch geschult, um den Bereich des normalen Verhaltens zu identifizieren und festzustellen, ob Abweichungen vom normalen Bereich signifikant genug sind, um Warnmeldungen zu rechtfertigen. Hier kamen Daten zum Einsatz, die in Pilotprojekten gesammelt wurden und den Zustand der Ausrüstung unter Normalbedingungen ebenso wie bei abweichendem Verhalten darstellten. Für das prädiktive Modell kamen Rohdaten zum Einsatz, für die eigentliche Darstellung speziell aufbereitete Daten. Das Modell basiert auf LTSM-Architektur und wird mit Sensordaten gespeist, um vorhersagen zu können, wie beispielsweise Maschinen unter normalen Bedingungen arbeiten. Diese Daten werden mit denen des Ist-Zustands verglichen. Jegliche Abweichung wird als Fehlfunktion behandelt. Wobei kleinere und größere Probleme in jeweils verschiedenen Warnstufen klassifiziert werden. Damit lassen sich selbst leichte Abweichungen erkennen und damit feststellen, wann welche mechanischen Teile einer Anlage sich in kritischem Zustand befinden oder nur größere Aufmerksamkeit in der Wartung erfordern.
Ohne Server vor Ort
Die vom Technologieunternehmen entwickelte serverlose, Cloud-basierte Lösung erlaubt eine kontinuierliche Überwachung kritischer Geräte und visualisiert eine Echtzeitansicht des Anlagenzustands. Zudem beinhaltet die PdM-Plattform Werkzeuge zur Datenspeicherung, Analyse und Visualisierung sowie eine leistungsstarke Alarmfunktion. Das System kann so einerseits vor ungeplanten Ausfallzeiten schützen, andererseits werden Reparaturen nur bei Bedarf ausgeführt. Wartungskosten können so reduziert und Instandhaltungsressourcen effizient verteilt werden. PdM-Lösungen wie diese werden branchenübergreifend immer häufiger realisiert. Für die Weiterentwicklung der Unternehmensabläufe und den Einsatz der Maschinen innerhalb der Produktion ist die vorausschauende Instandhaltung die nächste wichtige Entwicklung. n Consultant – Digital Transformation and IoT Solutions bei DataArt.
www.dataart.com
