Predictive Maintenance

Glossar
SchlüsselwörterPredictive Maintenance, Vorausschauende Wartung
TypKI-UseCase

Mit Hilfe verschiedener Sensoren (bspw. Akustiksensoren, Videokamera, Thermalkameras, Spektroskop, …) werden die Zustände einer Maschine und ihrer Komponenten, bzw. des zugrundeliegenden Prozesses aufgenommen.

Mit Hilfe eines KI-Systems werden einerseits historische Daten und zum anderen Echtzeit-Sensordaten aus dem Condition Monitoring ausgewertet, um Zustände der Maschine und ihrer Komponenten zu bestimmen. Passend dazu gibt es den Use Case Predictive Maintenance mit einer umfangreicheren Ausführung.

Predictive Maintenance wird überwiegend zur Wartung von industriellen Maschinen eingesetzt. Wird die Wartung für eine Maschine zu spät vorgenommen, können Schäden, Ausfälle und hohe Kosten entstehen. Durch den Einsatz und die Unterstützung von KI, können Vorhersagen über zukünftig notwendige Wartungen gemacht und möglicherweise entstehenden Ausfälle vorgebeugt werden.

Mögliche KI-Methodiken

Predicitve Maintenance kann über verschiedene Verfahren bzw. KI-Methodiken realisiert werden. Die Wahl der am besten geeigneten Methode hängt von der Art der Daten, der Anwendung und der verfügbaren Expertise ab.

  1. Maschinelles Lernen - Analyse von In- und Output-Daten, zur Erstellung von Prognosen über mögliche Ausfälle.
    1. Supervised Machine Learning
      1. Fehlermeldungen basieren auf In- und Output-Daten die durch durch den Menschen gelabelt wurden.
    2. Unsupervised Machine Learning
      1. Fehlermeldungen basieren auf der Erkennung von Muster- und Strukturen ohne expliziertes Datenlableing.
    3. Reinforcement Learning
      1. Fehlermeldungen basieren auf Entscheidungen eines Agenten, der für die spezifischen Entscheidungsprozesse trainiert wurde. So können optimale Wartungsstrategien erlernt werden, welche die Betriebszeit maximieren.
  2. Deep Learning - Analyse von In- und Output-Daten, über mehrere Schichten, zur Erstellung von Prognosen über mögliche Ausfälle.
    1. Feed-Forward neural network (FFN)
      1. Fehlermeldungen basieren auf der Analyse von In- und Output-Daten mehrerer Schichten von Parametern (z.B. Temperatur, Druck, etc.) die zusammenhängend und nacheinander analysiert werden. Die Prognose basiert auf einem Verfahren ohne Rückkopplungsmechanismus.
    2. Convolutional neural network (CNN)
      1. Die Input-Daten bilden eine Zeitreihe von Sensordaten. Jeder Zeitpunkt in der Zeitreihe wird dabei als ein „Pixel“ in einem eindimensionalen „Bild“ dargestellt. Das CNN kann aus überlappenden Schichten der Zeitreihe Merkmale ableiten und dadurch Muster erkennen, die auf einen bevorstehenden Ausfall hindeuten.
    3. Recurrent neural network (RNN) -
      1. Das RNN basiert wie das FFN auf mehreren Schichten von Parametern, mit dem Unterschied, dass das RNN über eine Feedback-Verbindung als Rückkopplungsmechanismus verfügt. Dadurch können Informationen aus Inputs gespeichert werden und die „Erinnerungen“ auf neue Inputdaten angewendet werden. Dadurch können sie sequentielle oder zeitlich variierende Muster in Daten erkennen.
    4. Autoencoder
      1. Der Encoder nimmt die Inputdaten und komprimiert diese, um die wichtigsten Merkmale oder Muster in den Daten zu erfassen. Der Decoder versucht die ursprünglichen Eingabedaten so genau wie möglich zu rekonstruieren und Differenzen (oder Fehler) zwischen den ursprünglichen und den rekonstruierten Daten zu minimieren. Liegt ein größerer Rekonstruktionsfehler vor, könnte dies als Anzeichen für eine Anomalie bzw. den maschinellen Ausfall interpretiert werden.

Risiken & Chancen

Beispielhafte Best Practices

Weiterführende Informationen