ML-basierte vorausschauende Wartung von Kühltürmen
| Steckbrief | |
|---|---|
| Firma | MULTI Kühlsysteme GmbH |
| Produkte & Dienstleistungen | Prozesskühlsysteme |
| Business Model Canvas | Wertangebote, Schlüsselressourcen, Schlüsselaktivitäten, Kostenstruktur |
| ca. Zahl der Mitarbeiter:innen (weltweit) | 50 |
| Zielgruppe | Anwender |
| Hauptsitz | Aue-Bad Schlema |
| Use Cases | Predictive Maintenance |
Ausgangssituation & Herausforderungen
Das Unternehmen stellt Kühltürme und bietet als Services Wartungsdienstleistungen an. Für die Kundenzufriedenheit sind Geschwindigkeit und Zuverlässigkeit zentrale Stellschrauben. Um einen aktuellen Anlagenzustand überwachen und Ausfälle analysieren zu können, wurden in neuen Anlagen Fernwartungsmodule installiert. Bisher war noch immer eine Vor-Ort-Inspektion durch das Fachpersonal zur Wartung erforderlich.
Ziele
Mittels Machine Learning-basierter vorausschauender Instandhaltung soll begrenztes Fachpersonal effizienter genutzt, die Reaktionsgeschwindigkeit bei Wartungsarbeiten verkürzt und die Kundenzufriedenheit erhöht werden.
Lösung/Maßnahmen/Projekt
Das Ziel bestand darin, das vorliegende Fachwissen in eine datengetriebene Analyse zu integrieren, um zukünftige Ausfälle vorherzusagen und im Idealfall zu verhindern. Durch die Analyse historischer Daten im Maschinenbetrieb sollte ein schleichender Verschleiß (Drifts) erkannt werden, um frühzeitig abweichendes Verhalten zu identifizieren.
Umsetzung
Was wurde benötigt?
Essenziell war es, weiterführende Algorithmen zu finden, die nicht nur die Prozessdaten, sondern auch Umweltdaten der Kühlanlagen einbeziehen, um mögliche Ausfälle vorherzusagen. Hierzu wurde mit dem Fraunhofer IWU und dem Mittelstand 4.0 Kompetenzzentrum Chemnitz zusammengearbeitet. Anschließend wurden die aufgedeckten Zusammenhänge visualisiert, analysiert und interpretiert, um die jeweiligen Kühlturmanlagen mithilfe der Sensordaten besser zu verstehen.
Was wurde erreicht?
Mittels Zeitreihendaten eines Kühlturms wurde ein Machine-Learning-Modell trainiert, um Normalverläufe von Messdaten zu erkennen. Passen die Normalverlaufsdaten über definierte Zeiträume nicht mehr zu den vorgegebenen Sensordaten, deutet dies auf eine Veränderung im Systemverhalten hin, wie beispielsweise einen Defekt in der Anlage. Die Herausforderung besteht darin, die nicht kontrollierbaren Einflüsse, die sich aus Temperatur, Wind oder Standort des Turms ergeben, korrekt zu interpretieren.
Lessons Learned
Im nächsten Schritt ist geplant, die Datengrundlagen zu verbessern, um dem Modell eine größere und fehlerfreie Datenbasis als Eingabe zur Verfügung zu stellen. Zukünftig besteht außerdem die Möglichkeit, das entwickelte Modell durch längere Datenerhebungszeiträume weiter zu optimieren und den Einfluss externer Faktoren wie die Anordnung des Kühlturms oder der Außentemperatur auf die realen Sensordaten zu untersuchen. Darüber hinaus sollen diese Methoden in ein Fernwartungsmodul integriert werden. Dies ermöglicht es, das Modell auch aus der Ferne zu warten und zu aktualisieren.