Welche Maschinendaten können wie für Predictive Maintenance genutzt werden?

Welche Maschinendaten können wie für Predictive Maintenance genutzt werden? Damit haben sich Studierende der Hochschule Pforzheim beschäftigt. - (Bild: PIxabay)

Was ist Predictive Maintenance?

Predictive Maintenance oder vorausschauende Wartung ist ein Werkzeug, um die Leistung eines Betriebs zu optimieren. Dadurch können mögliche Ausfälle vorhergesehen und vorbeugende Maßnahmen ergriffen werden, bevor sie zu kostspieligen Problemen werden. Durch den Einsatz von Predictive Analytics können Fachleute Muster in Daten erkennen, die darauf hinweisen, wann Geräte gewartet oder ausgetauscht werden müssen, sodass sie vorausplanen und Ausfallzeiten reduzieren können. Dies hilft, die Effizienz zu steigern und gleichzeitig die Kosten für Notfallreparaturen oder -ersatz zu senken. Darüber hinaus bietet die vorbeugende Wartung wertvolle Einblicke in den Betriebszustand, sodass bei Bedarf Anpassungen vorgenommen werden können, um im Laufe der Zeit bessere Ergebnisse zu erzielen.
(Bild: Olivier Le Moal - stock.adobe.com)

Predictive Maintenance oder vorausschauende Wartung ist ein Werkzeug, um die Leistung eines Betriebs zu optimieren. Dadurch können mögliche Ausfälle vorhergesehen und vorbeugende Maßnahmen ergriffen werden, bevor sie zu kostspieligen Problemen werden. Durch den Einsatz von Predictive Analytics können Fachleute Muster in Daten erkennen, die darauf hinweisen, wann Geräte gewartet oder ausgetauscht werden müssen, sodass sie vorausplanen und Ausfallzeiten reduzieren können. Dies hilft, die Effizienz zu steigern und gleichzeitig die Kosten für Notfallreparaturen oder -ersatz zu senken. Darüber hinaus bietet die vorbeugende Wartung wertvolle Einblicke in den Betriebszustand, sodass bei Bedarf Anpassungen vorgenommen werden können, um im Laufe der Zeit bessere Ergebnisse zu erzielen.

Wie lassen sich mit dem Wissen über die Zusammenhänge von Maschinendaten aus der Produktion zukünftige Probleme einer Anlage vorhersagen und Antworten für smarte Instandhaltung umsetzen? Eine Frage, mit der sich normalerweise Big-Data- und KI-Experten im Kontext der vorausschauenden Wartung (Predictive Maintenance) beschäftigen.

Wartung: KI-basierte Predictive Maintenance

Im Rahmen eines Praxisprojekts am FutureLAB der Hochschule Pforzheim standen diese Überlegungen auf dem Stundenplan einiger Studenten des Bachelor-Studiengangs Wirtschaftsinformatik, Management und IT. In Zusammenarbeit mit dem ERP-Spezialisten Asseco Solutions untersuchten sie die Datensätze eines Asseco-Kunden, einem Unternehmen aus der Aluminiumdruckguss-Branche, und identifizierten typische Datenkonstellationen für Maschinenstörungen der Anlage und Ausschuss in der Produktion.

Die Ergebnisse des Data-Science-Projekts bilden nun die Basis für die Entwicklung eines KI-basierten Systems zur präventiven Anomalieerkennung im Sinne von Predictive Maintenance. 

Eine gute KI-Analyse erfordert einen umfassenden Datenbestand. Dabei lässt sich jedoch selbst das größte Big-Data-Reservoir, das zum Beispiel durch Sensoren aus der Maschine geliefert wird, nicht unmittelbar nutzen, wenn seine Daten ohne Kontext erfasst wurden. Zu dieser Erkenntnis war auch das Aludruckguss-Unternehmen gelangt, der die Maschinendaten aus seiner Produktion für das Hochschulprojekt zur Verfügung stellte.

 

Im Rahmen eines Projekts hatten Studierende der Hochschule Pforzheim die Möglichkeit, Mithilfe von Data Science die Steuerungs- und Fehlerdaten eines Unternehmens zu analysieren. Unterstützung erhielten sie vom Pforzheimer Professor Dr. Joachim Schuler (4.v.r.).
Im Rahmen eines Projekts hatten Studierende der Hochschule Pforzheim die Möglichkeit, Mithilfe von Data Science die Steuerungs- und Fehlerdaten eines Unternehmens zu analysieren. Unterstützung erhielten sie vom Pforzheimer Professor Dr. Joachim Schuler (4.v.r.). - (Bild: Asseco)

Schon heute werden dort in der Maschine für jeden einzelnen Aluminiumguss („Schuss“) bis zu 600 Parameter wie Temperatur, Formfüllzeit oder Dicke des Pressrests erfasst. Eine Zuordnung der Daten zu konkreten Störungen oder fehlerbehafteten Schüssen erfolgte jedoch bislang nicht. Entsprechend konnte der vorhandene Datenpool nicht unmittelbar zur Analyse, Fehlervermeidung oder gar Predictive Maintenance genutzt werden.

Smarte Wartung durch intelligente Parametersychronisation

Im Zentrum des Data-Science-Projekts, das von Prof. Dr. Joachim Schuler sowie Prof. Dr. Thomas Schuster von der Hochschule Pforzheim initiiert worden war, stand das Ziel, den vorhandenen Datenbestand auszuwerten und so aufzubereiten, dass nutzbare Erkenntnisse, zum Beispiel für Predictive Maintenance der Anlage, daraus abgeleitet werden können.

Dazu analysierte eine Gruppe von neun Studierenden die Betriebsdaten zweier Aludruckguss-Maschinen und entwickelte eine Methodik, dokumentierte Fehler wie Lufteinschlüsse, unvollständige Ausfüllung der Gussform oder ungenügendes Aushärten des Aluminiums mit den zugehörigen Schussparametern zu synchronisieren. Auf diese Weise konnten für die knapp 30 Fehlertypen charakteristische Parameterkonstellationen identifiziert und entsprechend zugeordnet werden.

Die aus den Ergebnissen der Analyse gewonnenen Erkenntnisse fließen unmittelbar in Praxisabläufe bei Wartung und Instandhaltung des Aludruckguss-Unternehmensen zurück: So zeigte sich unter anderem, dass mehr als der Hälfte der Fehler lediglich eine falsche Konfiguration der Maschine zugrunde lag – eine Fehlerquelle, die sich mit verhältnismäßig geringem Aufwand reduzieren lässt. 

Grundlage für KI-Analyse geschaffen

Gleichzeitig haben die Studierenden mit ihrer Analyse die Grundlage für die Realisierung eines geplanten KI-Systems zur Anomalieerkennung geschaffen. So nutzen die KI-Experten der Asseco Solutions die identifizierten Parameterkonstellationen aktuell als Trainingsdaten für ein neuronales KI-Netz, das in die Lage versetzt werden soll, analog zu den bekannten Mustern weitere, bislang unbekannte kritische Parameterkonstellationen zu entdecken.

Indem künftig überwacht wird, ob sich Parameter ungewöhnlich entwickeln und einem kritischen Fehlermuster annähern, soll es diese Lösung ermöglichen, sowohl Stillstände als auch Ausschussware vorherzusagen und deutlich zu reduzieren, also Predictive Maintenance im Sinne von Digitalisierung und Industrie 4.0 umzusetzen.

Mehr KI-Projekte

"Die Zahl der KI-Projekte in der Industrie wird in den kommenden Jahren rapide ansteigen – und damit auch der Bedarf an qualifiziertem Fachpersonal", so Steve Roth, Head of Operations bei der Asseco Solutions, und Leiter des Data-Science-Projekts.

"Damit sich der bestehende Fachkräftemangel nicht noch weiter verschärft, ist eine frühzeitige Nachwuchsförderung unerlässlich. Durch das gemeinsame Projekt mit den Studierenden der Hochschule Pforzheim wollten wir einen Beitrag dazu leisten. Für die meisten von ihnen war dies ihr erster Kontakt mit der freien Wirtschaft – und nichtsdestotrotz haben sie sich sehr professionell an die Aufgabenstellung angenähert."

Sie hätten innerhalb kürzester Zeit unterschiedlichste Spezialisierungen in ihrem Team etabliert: Ein Student koordinierte das Vorgehen wie ein Projektleiter, andere fokussierten sich auf die Auswertung oder darauf, die Daten mit den Fehlern in Beziehung zu setzen.

"Das hat uns im Rahmen der Zusammenarbeit sehr beeindruckt. Sobald die weiteren Schritte des Projekts abgeschlossen sind und die Anomalieerkennung tatsächlich produktiv im Unternehmen läuft, wollen wir die Studenten nochmals zu unserem Kunden einladen, um ihnen zu zeigen, wie die Ergebnisse ihrer Arbeit konkret in der Praxis genutzt werden."

Asseco Solutions

Immer informiert mit dem Newsletter der INSTANDHALTUNG

Ihnen hat gefallen, was Sie gerade gelesen haben? Dann abonnieren Sie unseren Newsletter!

So bleiben Sie zu allen Neuigkeiten und Trends aus der Instandhaltungs-Branche auf dem Laufenden. Profitieren Sie von den Vorteilen unserer unterschiedlichen Newsletter-Formate - kostenlos!

Hier klicken und anmelden!

Sie möchten gerne weiterlesen?