Vorhersage von Maschinenausfallzeiten mit Predictive Maintenance

Von der reinen Wahrsagerei bis zur KI-basierten Vorhersage hat die Vorhersage in den letzten Jahrhunderten einen weiten Weg zurückgelegt. In diesem Blog beschäftigen wir uns mit der vorausschauenden Wartung. Dieser Zweig der KI konzentriert sich auf die Erkennung von Unregelmäßigkeiten oder Anomalien, um den Bedarf an Wartung besser beurteilen zu können. Dies ist besonders nützlich in Sektoren, in denen große Flotten eingesetzt werden. Wir werfen einen Blick hinter die Kulissen der Software, ihre verschiedenen Geschäftsanwendungen und die praktische Umsetzung in Trendskout.

Was genau ist vorausschauende Wartung mit KI?

Das Wesen der vorausschauenden Wartung ist einfach. Komplexe Geräte und Industriemaschinen müssen in regelmäßigen Abständen gewartet werden. Dies sollte vorzugsweise kurz vor dem Ende der Lebensdauer der Maschine oder dem fälligen Austausch des betreffenden Teils geschehen.

Um die Betriebssicherheit zu gewährleisten, werden in großen Produktionshallen immer noch viele Maschinenteile auf der Grundlage ihrer geschätzten Lebensdauer regelmäßig ausgetauscht. Als Vorsichtsmaßnahme ist die Pufferzeit oft viel zu lang und es wäre effizienter, vorausschauend eingreifen zu können.

KI-basierte vorausschauende Wartung optimiert das Timing der Wartung und maximiert so die Kosteneinsparungen. Dazu verwenden wir eine Reihe spezifischer Algorithmen, je nach der Art der in der Praxis erforderlichen vorausschauenden Wartung.

Klassifizierung vs. Erkennung von Anomalien

Hinter den Kulissen gibt es zwei technische Lösungen für die vorausschauende Wartung durch künstliche Intelligenz. Die Wahl eines bestimmten KI-Algorithmus für die Datenanalyse und das Training hängt von der Art der zu überwachenden Maschinen ab. Wenn es sich um Geräte handelt, bei denen es häufig zu Ausfällen kommt, ist die Klassifizierung eine logische Option. Wenn die betroffenen Geräte hingegen nur selten fehlerhaft sind, dann ist die Anomalieerkennung in der Regel die bessere Wahl.

Erkennen anomaler Daten

Der unvermeidliche Nachteil zuverlässiger Maschinen besteht darin, dass es in den von der Maschine gelieferten Daten oft kaum Anzeichen für einen tatsächlichen Ausfall oder Indikatoren gibt, die eine Ausfallzeit vorhersagen könnten. Solange alle Komponenten reibungslos funktionieren, zeigen die Überwachungssysteme nur wenige abnormale Werte für die Parameter an, die sie überwachen. In diesem Fall ist es für die KI auch schwierig zu lernen, zu beurteilen, welche verdächtigen Anzeichen oder Datenanomalien einen möglichen Maschinenausfall verursachen könnten. Glücklicherweise gibt es mehrere Algorithmen, die speziell für die Erkennung von Anomalien entwickelt wurden. Auto-Encoder, zum Beispiel. Ein Auto-Encoder ist eine besondere Art von neuralem Netzwerk, das lernt zu erkennen, was genau als 'normales Verhalten' angesehen werden kann. Alles, was von diesem Standardmuster abweicht, ist per Definition eine Anomalie und ein Grund zur Sorge. Eine mögliche Gefahr von Auto-Codierern besteht darin, dass sie aufgrund ihrer Bauweise auch häufigere Abweichungen oder Anomalien als 'normal' betrachten könnten, wenn sie zu häufig auftreten. Es kann also eine gute Idee sein, einen möglichen Überschuss an anomalen Daten aus den Trainingsdaten zu entfernen, die den Algorithmus speisen.

Erkennung von Anomalien in Trendskout

Konfiguration der Anomalieerkennung im TrendSkout Dashboard

Wie alle anderen KI-Anwendungen lässt sich auch die Anomalieerkennung in Trendskout leicht einrichten. Der Screenshot oben zeigt den Trendskout-Konfigurationsbildschirm. Auf der linken Seite sehen wir, dass sowohl die Trainingsdaten als auch die tatsächlichen Echtzeitdaten mit dem neuronalen Netzwerk des Anomaliedetektors verbunden sind. Der Einstellungsbildschirm für Letzteres sieht wie folgt aus:

Die obigen Diagramme zeigen, ob Daten gefunden wurden, die von der normalen Situation abweichen, und wenn ja, wie groß die Abweichung ist. Dies führt zu einem mittleren durchschnittlichen Fehler. Es sind nicht so sehr die absoluten Werte, die wichtig sind, sondern ihr Verhältnis zueinander.

Das Eingabefeld am unteren Rand des Einstellungsbildschirms zeigt den Schwellenwert an, den der Algorithmus für die Erkennung von Anomalien verwenden soll. Der Algorithmus ermittelt auch automatisch einen Vorschlag dafür.

In der obigen Abbildung stellt die rote Linie den Schwellenwert dar. Die blauen Balken sind die mittleren Durchschnittsfehler aller aufgezeichneten Daten. Diese werden logarithmisch dargestellt, um einen besseren Überblick zu geben. In Wirklichkeit sind die abweichenden Datenpunkte viel größere Ausreißer, als man auf den ersten Blick vermuten würde.

Jeder blaue Balken, der über die rote Linie ansteigt, wird daher vom Algorithmus als Anomalie betrachtet, die gemeldet werden muss. Die Daten werden automatisch über eine API an die externen Warnsysteme des betreffenden Unternehmens weitergeleitet oder können einem Textbericht für weitere Aktionen hinzugefügt werden.

Verschiedene Algorithmen unter der Motorhaube

Die obigen Beispiele zeigen, dass die Erkennung von Anomalien nicht kompliziert sein muss. Wie bei den anderen Trendskout-Analysen kombiniert die Plattform eine Vielzahl leistungsstarker Algorithmen - einschließlich der bereits erwähnten Auto-Encoder - und wendet dann den genetischen Trendskout-Algorithmus allein an, um das beste Ergebnis auszuwählen.

Möchten Sie Predictive Maintenance selbst anwenden? Als KI-Unternehmen unterstützen wir Sie gerne. Kontaktieren Sie einen unserer Mitarbeiter ohne jegliche Verpflichtung.

Bleiben Sie auch für die neuesten Nachrichten über KI auf dem Laufenden

*“ zeigt erforderliche Felder an

GDPR*
Dieses Feld dient zur Validierung und sollte nicht verändert werden.

Welchen Mehrwehrt haben KI und Machine Learning für Organisationen?

Holen Sie sich den kostenlosen Zugang zu unserem Resource Center mit interessanten Anwendungsfällen.

Auf Facebook teilen
Auf Twitter teilen
Auf LinkedIn teilen
Auf Pinterest teilen
Freigabe per E-Mail