Die Zukunft von Predictive Maintenance: On the way to intelligent-prescriptive-predictive maintenance

16.12.2019

Einen Überblick zu den Strategien und Best Practices im Kontext von Predicitive Maintenance finden Sie im ersten Teil unserer Blogreihe „Best Practices bei der Umsetzung von Predictive Maintenance – Ein Erfahrungsbericht “. Im nächsten Schritt sollte man sich jetzt auch darüber Gedanken machen, wo genau Künstliche Intelligenz eingesetzt werden kann und welche Machine Learning Methoden hier sinnvoll unterstützen können.

Wo kann Künstliche Intelligenz bei der Wartung eingesetzt werden?

Künstliche Intelligenz kann potentiell immer dann eingesetzt werden, wenn Maschinen Daten sammeln, die ausgewertet werden können. Ob auf der Maschine selbst, oder durch Vernetzung in einer Cloud. Zwei grundsätzliche Fragestellungen bieten sich für den Einsatz künstlicher Intelligenz häufig an:

Remaining Useful Life Prediction und Anomaly Detection
Abbildung 1: Remaining Useful Life Prediction und Anomaly Detection [1] [2]

Datengrundlage für ein Predictive Maintenance Projekt

Zunächst muss geklärt werden, welche Daten zur Verfügung stehen. Bei unserer Umsetzung von Predictive Maintenance im Bereich Windenergie mit unserem Kunden ZF stehen beispielsweise Maschineneigenschaften, Maschinenzustandsdaten und Servicelogs zur Verfügung.
Durch die vielen unterschiedlichen Sensoren an den Maschinen, haben wir es häufig mit einer multi-dimensionalen Aufgabe zu tun. Zusätzlich müssen meistens auch komplett unterschiedliche Datenarten ausgewertet werden.

Grob werden zwei Arten unterschieden: Strukturierte und unstrukturierte Daten.

Strukturierte, sequenzielle Daten:Unstrukturierte Daten:
Hierunter fallen Zeitreihen, die zum Beispiel von einem Temperatursensor gemessen wurden. Zeitreihen haben die wichtige Eigenschaft, dass aufeinanderfolgende Werte normalerweise in einem Zusammenhang stehen und nicht zufällig sind.

Sequenzdaten
Abbildung 2: eigene Darstellung strukturierte Daten
Unstrukturierte Daten sind zum Beispiel Bilder, die während des Produktionsprozesses gemacht werden oder Audiosignale von Mikrofonen, die an den Maschinen installiert sind. Auch diese Daten ermöglichen Rückschlüsse auf den Maschinenzustand.

Maschine
Abbildung 3: eigene Darstellung unstrukturierte Daten [3]

 Häufig genutzte Machine Learning Methoden im Predictive Maintenance Bereich

Im Predictive Maintenance Umfeld wurden schon viele verschiedene Machine Learning Methoden angewandt. Grob kann man hier unterteilen in:

  • Klassisches Machine Learning: Beispiele dafür sind Decision Trees oder Support Vector Machines
  • Neuronale Netze: zum Beispiel als Autoencoder.

Der Hauptunterschied zwischen beiden Methoden liegt darin, wie sehr die Daten manuell vor- und aufbereitet werden müssen. Neuronale Netzwerke erfordern im Idealfall deutlich weniger manuelle Datenaufbereitung, unter der Voraussetzung, dass ausreichend viele Daten vorhanden sind.

Häufige Use Cases

Wie eingangs beschrieben, gibt es zwei häufige Fragestellungen: wie lange kann meine Maschine noch produktiv genutzt werden („Remaining Useful Life“) und zeigt meine Maschine bereits Anzeichen von Versagen oder Ausfall („Anomaly Detection“).

Remaining Useful Life

Um beantworten zu können, wie lange es dauert, bis eine Maschine „kaputt“ geht, sind gelabelte Daten notwendig. Dazu werden Servicedaten den Maschinendaten gegenübergestellt. Aus dieser Historie ist nachträglich immer klar, wann die Maschine historisch kaputt gehen wird. Jedem historischen Maschinenzustand kann also das Label „kaputt“, „nicht kaputt“ angehängt werden.
Das „Remaining Useful Life“ einer Maschine kann ganz unterschiedlich definiert werden. Zum Beispiel als:
Regression: In der Regression werden die bis zum Versagen verbleibenden Tage vorhergesagt. Zum Beispiel: „in 100 Tagen ist damit zu rechnen, dass die Maschine kaputt gehen wird.“
Klassifikation: Die Klassifikation versucht ein Zeitintervall vorherzusagen, in dem die Maschine defekt gehen wird. Zum Beispiel: „die Maschine wird in den nächsten 0-30 Tagen kaputt gehen.“

In beiden Fällen wird bei der Erkennung des „Remaining Useful Life“ versucht den kaputten Zustand mit zu modellieren. Dementsprechend sind hier Daten notwendig, die eine Maschine zeigen, die sich graduell auf den defekten Zustand hinbewegt.

Anomalieerkennung

Die zweite Frage betrifft das Erkennen von ungewöhnlichem Maschinenverhalten. Im Gegensatz zur Remaining Useful Life Anwendung modelliert Anomalieerkennung den normalen Maschinenzustand und schlägt Alarm, wenn etwas Unerwartetes passiert. Das ist in dem Sinne „predictive“, da idealerweise Vorzeichen für ein Versagen detektiert werden, die einen Hinweis auf ein zukünftiges Versagen sind. Im Gegensatz zur „Remaining-Useful-Life“-Vorhersage benötigt die Anomalieerkennung zur Modellerstellung keine Daten, die den kaputten Zustand beschreiben. Stattdessen ist die Idee, ein Modell für das normale Verhalten einer Maschine zu bauen und zu melden, wenn das bekannte Verhalten vom Modell abweicht. Zur Qualitätskontrolle sind dann wiederum Daten des defekten Maschinenzustands notwendig. Als Machine-Learning-Methode kann hier zum Beispiel ein Autoencoder eingesetzt werden.

Autoencoder
Abbildung 4: eigene Darstellung Autoencoder

Der Autoencoder bedient sich eines kniffligen Tricks: Er lernt aus den normalen Zustandsdaten der Maschine eine Vorschrift, um die enthaltenen Informationen zu komprimieren („Dimensionsreduktion“). Für die normalen Zustandsdaten ist der Unterschied zwischen Kompression und Dekompression sehr klein („Rekonstruktionsfehler“). Sind die gemessenen Daten dagegen ungewohnt und damit „nicht normal“ funktioniert die Kompressionsvorschrift deutlich schlechter, so dass der Dekompressionsfehler ansteigt und der Autoencoder die Daten als „nicht normal“ klassifiziert.

Welche Machine Learning Methode für welchen Use Case?

Für Predictive Maintenance muss aus unserer Erfahrung heraus die richtige Kombination aus Use Case samt Datenart und Machine Learning Methode gefunden werden.

Kombination der unterschiedlichen Komponenten
Abbildung 5: Die richtige Kombination entscheidet/ eigene Darstellung

Fazit

Predictive Maintenance verspricht große finanzielle Potentiale durch geringere Downtime und optimierten Personaleinsatz. Die benötigte Intelligenz steuert Machine Learning bei. Dazu müssen aber die Voraussetzungen stimmen: nur mit einer wohlüberlegten Planung führt der Weg zum Erfolg. Absolute Grundlage ist eine gründliche Dateninventur – sie schafft den Überblick über die Möglichkeiten; um zum Beispiel die Remaining Useful Life Vorhersage oder eine Anomalieerkennung umzusetzen. Es kommt vor allem auch auf die passende Kombination aus Use Case samt Datenart und Machine Learning Methode an.


Predictive Maintenance


Quellen:
[1] https://unsplash.com/photos/AoDlbGtfRh0
[2] https://www.pexels.com/photo/food-colorful-sweet-bear-54633/
[3] https://pixabay.com/de/photos/x-ray-xray-technologie-237402/

 

 

 

Zurück zur Übersicht

Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

*Pflichtfelder

*

This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.