====== Condition-Monitoring ======

** Beim Condition Monitoring (CM) handelt sich prinzipiell um die Überwachung und Bewertung von Betriebszuständen. In den meisten Fällen wird CM zielführend für die Überwachung von Maschinen oder Anlagen implementiert.**

Durch entsprechende Sensorik können Daten in Bezug auf Vibration, Temperatur, Spannung oder auch Akustik gemessen werden und die als Input für entsprechende Analysen herangezogen werden.

{{ :wissen:usecase:pb_condition_monitoring_vodafon.svg }}


===== Problemstellung & Zielsetzung =====

Im Rahmen der Überwachung und Dokumentation können Effektivitäts- und Effizienzgrad abgeleitet werden.  Die gesammelten Daten werden analysiert, um Anomalien bzw. Abweichungen von Betriebszuständen zu erkennen und negative Auswirkungen oder potenzielle Ausfälle vorherzusagen. Unternehmen können so die Verfügbarkeit und Zuverlässigkeit ihrer Technologien verbessern und ungeplante Stillstände (beim Maschinen) reduzieren bzw. Zeit und Kosten im Unternehmen einsparen. Daher wird häufig im Kontext von Maschinen die intelligente Instandhaltung ([[predictive_maintenance|Predicitive Maintenance]]) als nächster Schritt bzw. als gezieltes Smart Analytics System im Zusammenhang mit dem Condition Monitoring implementiert.


===== Mögliche KI-Methodiken =====

Aufgrund dessen, dass das CM die Überwachung zu Ziel hat, sind die zu wählenden KI-Methodiken oder kombinierbaren Ansätze abhängig vom Einsatzszenario und dessen Anforderungsbereich. Prinzipiell lassen sich geeigneter KI-Ansätze aber dahingehend unterscheiden, ob es sich um die Überwachung von numerischen (z.B. Maschinendaten) oder textuellen (z.B. Protokollen) Daten handelt.

  - [[machine_learning|Machine Learning]] - Überwachung von In- und Output-Daten.
    - [[wissen:glossar:supervised_learning|Supervised Learning]] 
      - Erkennung von Anomalien bzw. Abweichungen von erwarteten Werten auf Basis von Sensordaten.
    - [[wissen:glossar:unsupervised_learning|Unsupervised Learning]]
      - Erkennung von Strukturen oder Mustern in den Sensordaten.
    - [[wissen:glossar:reinforcement_learning|Reinforcement Learning ]]
      - In Kombination mit anderen Ansätzen lassen sich aus Sensordaten optimale und verbesserte Handlungsstrategien ableiten.
  - [[wissen:glossar:dbn|Deep Learning]] - Überwachung von In- und Output-Daten auf Basis mehrerer Layer. 
    - [[wissen:glossar:cnn|Convolutional Neural Networks (CNN)]]
      - Erkennung von Anomalien auf Basis von Bilddaten wie z.B. Infrarotaufnahmen.
    - [[wissen:glossar:autoencoder|Autoencoder ]]
      - Erkennung von Anomalien auf Basis der Rekonstruktion von Daten.
  - [[wissen:glossar:sprachverarbeitung|Natural Language Processing (NLP)]]
    - NLP kommt im Kontext der Überwachung von schriftlichen oder verbalen Protokollen zum Einsatz.


===== Risiken & Chancen =====

  * Die Entwicklung und Implementierung solcher Modelle ist in der Regel technisch anspruchsvoll.
  * Entsprechende Maßnahmen umzusetzen, vorzubereiten und zu installieren ist außerdem zeit- und ressourcenaufwendig
  * Faktoren, die Einfluss auf die Maschinen nehmen, müssen häufig erst identifiziert werden.
  * Um ein effektives Condition Monitoring  zu implementier, werden in der Regel große Mengen an qualitativ hochwertigen Daten benötigt. Unvollständige oder veraltete Daten können dazu führen, dass Probleme an den Maschinen nicht korrekt ermittelt werden.
  * Das Übertragen eines ausgereiften Modells einer komplexen Maschine auf eine andere (auch z.B. gleicher Bauart) ist je nach Methodik nicht ohne weiteres möglich.
  * Ältere Anlagen verfügen meist nicht über die notwendige Ausstattung bzw. Sensorik und müssen aufgerüstet oder ersetzt werden.
  * Probleme können frühzeitig erkannt werden, noch bevor sie zu Ausfällen oder teuren Reparaturen führen.
  * Wartungspläne können effizienter gestaltet werden.
  * Überwachungsprozesse werden automatisiert.
  * Sensoren für die Zustandsüberwachung relativ kostengünstig


=====Best Practices =====

  * [[wissen:bestpractice:alfredwillich|]]
  * [[wissen:bestpractice:freshenergy|]]
  * [[wissen:bestpractice:hiersemann|]]
  * [[wissen:bestpractice:tvarit|]]


===== Weiterführende Informationen =====

  * [[doi>10.1007/s00170-009-2191-8]]
  * [[https://www.izm.fraunhofer.de/de/abteilungen/rf---smart-sensor-systems/Forschungsschwerpunkte/Condition_Monitoring_Systeme.html| Condition Monitoring Systeme für Industrie 4.0]] (2023)\\ **Fraunhofer-Institut für Zuverlässigkeit und Mikrointegration IZM. (o. D.)**
  * [[isbn>978-3-8169-8489-4]] (2022)\\ **Josef Kolerus;  Edwin Becker**  
  * [[doi>10.1007/978-981-15-0512-6_1]]