Schwerpunkte

Predictive Maintenance

Vorausschauende Wartung optimieren mit KI

13. August 2020, 09:20 Uhr   |  Julian Mehne

Vorausschauende Wartung optimieren mit KI
© DoubleSlash

Verschleißprozesse einer Maschine als Kurvendiagramm.

Predictive Maintenance basiert nicht auf statischen Modellen, sondern muss sich ständig den Gegebenheiten anpassen. Machine-Learning-Algorithmen können dabei helfen.

Voraussetzung für Predictive Maintenance ist die vernetzte Fabrik: Je mehr Maschinen und Anlagen mit Sensorik bestückt und datentechnisch vernetzt sind, desto größer der Effekt, der sich mit vorausschauender Wartung erzielen lässt. Algorithmen werten die erfassten Sensordaten aus und schließen daraus auf den tatsächlichen Verschleiß des jeweiligen Bauteils und seiner verbleibenden Lebensdauer. Je genauer das System arbeitet, desto genauer lässt sich bestimmen, wann welche Komponente ausgetauscht werden sollte: rechtzeitig vor einem Ausfall, aber eben erst, wenn es nötig ist.

Damit dies gelingt, müssen die gesammelten Mess-daten automatisch interpretiert werden. Mithilfe von Machine-Learning-Algorithmen lassen sich aus den Daten funktionale Zusammenhänge ableiten. Ziel ist es, jene Zusammenhänge zu finden, die eine verlässliche Zustandsdiagnose des überwachten Systems erlauben und die eine möglichst treffsichere Prognose seiner nutzbaren Restlebensdauer, der sogenannten Remaining Useful Life (RUL), möglich machen.

Mehr noch: Diese Algorithmen machen die Modelle lernfähig. Das heißt, sie automatisieren nicht nur die vorausschauende Wartung, sie sorgen auch für adäquate Ergebnisse, wenn sich Veränderungen im Verhalten der Maschinen, aber auch in den Rahmenbedingungen einstellen. Damit schaffen sie die Voraussetzung dafür, dass sich Wartungsvorgänge, -intervalle und Ersatzteilhaltung an die jeweils aktuellen Bedingungen anpassen lassen. Außerdem helfen sie, Abweichungen zu erkennen, ehe die jeweilige Maschine größeren Schaden nimmt oder nicht mehr voll funktionsfähig ist.

Je mehr Daten, desto besser

Wie aber sollten Unternehmen nun vorgehen, wenn sie ein Predictive-Maintenance-Projekt mithilfe von Machine Learning umsetzen wollen? Wichtigste Voraussetzung ist die Datenbasis; im Idealfall sind die Maschinen und Anlagen schon seit längerem mit Sensoren ausgestattet und vernetzt.

Zuerst kommt die Sichtung der Daten, zum Beispiel Zustands- beziehungsweise Messdaten der Maschine. Nur wer weiß, welche Maschinendaten verfügbar sind, kann die nächsten Schritte angehen. Häufig sind das Zeitreihen wie die Betriebstemperatur zu bestimmten Zeitpunkten. Auch unstrukturierte Daten wie Bilder oder Audiosignale sollten in der „Dateninventur“ berücksichtigt werden, ebenso statische Merkmale wie Herstellungsdatum, Firmwareversion oder Aufstellungsort der Maschine. Über die Verwertbarkeit der Daten entscheidet nicht zuletzt, wie sie gesammelt werden und wie vollständig sie sind. So gibt es Daten, die nur anhand bestimmter Ereignisse anfallen beziehungsweise erfasst wurden. Andere wiederum sind in durchgängigen Messreihen verfügbar – dabei ist wichtig, in welcher Frequenz sie gesammelt werden und ob sie lückenlos dokumentiert sind.

Auf die Inventur folgt die Datenaufbereitung. Die Datensätze müssen bereinigt, falsche Werte gelöscht, fehlende Werte aufgefüllt werden. Zugleich gilt es ein Verständnis dafür zu entwickeln, welche Daten wie und unter welchen Umständen erfasst wurden. Diese Arbeit ist entscheidend für den Erfolg eines Projekts.

Seite 1 von 2

1. Vorausschauende Wartung optimieren mit KI
2. Servicedaten sind wertvoll

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Warum Predictive Maintenance?
DFKI beschleunigt KI-Forschung
Das Potenzial von Predictive Maintenance

Verwandte Artikel

WEKA Business Medien GmbH