Condition-Monitoring

Glossar
SchlüsselwörterÜberwachung und regelmäßige Wartung
TypKI-UseCase

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.

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 (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.

  1. Machine Learning - Überwachung von In- und Output-Daten.
    1. Supervised Learning
      1. Erkennung von Anomalien bzw. Abweichungen von erwarteten Werten auf Basis von Sensordaten.
    2. Unsupervised Learning
      1. Erkennung von Strukturen oder Mustern in den Sensordaten.
    3. Reinforcement Learning
      1. In Kombination mit anderen Ansätzen lassen sich aus Sensordaten optimale und verbesserte Handlungsstrategien ableiten.
  2. Deep Learning - Überwachung von In- und Output-Daten auf Basis mehrerer Layer.
    1. Convolutional Neural Networks (CNN)
      1. Erkennung von Anomalien auf Basis von Bilddaten wie z.B. Infrarotaufnahmen.
    2. Autoencoder
      1. Erkennung von Anomalien auf Basis der Rekonstruktion von Daten.
  3. Natural Language Processing (NLP)
    1. NLP kommt im Kontext der Überwachung von schriftlichen oder verbalen Protokollen zum Einsatz.

Risiken & Chancen

Best Practices

Weiterführende Informationen