Predictive Maintenance


Normalerweise machen die Wartungskosten den größten Teil der finalen Betriebskosten der Produktionsanlagen aus. Diese Kosten setzen sich aus Arbeits- und Materialkosten zusammen. Deswegen ist die Wartungsoptimierung eine sehr wichtige Aufgabe, mit der man sich in jedem Produktionssystem auseinander setzen muss.

Im Unterschied zu „Run-to-Failure Management“ oder „Preventive Maintenance“ Instandhaltungsstrategien benutzen wir in Predictive Maintenance kontinuierlich die maschinelle Analyse (Analytics) großer Sensor- und Ereignis-Datenmengen (Big Data), um Probleme im Betrieb zu erkennen, bevor sie tatsächlich auftreten.

 

Vorteile

1. Ungeplante Ausfallzeiten vermeiden

Die Untersuchungen haben gezeigt, dass die Ausfallzeiten, verursacht durch System- oder Geräte-Störungen, innerhalb der ersten zwei Jahre um 40% bis 60% und innerhalb von fünf Jahren um bis zu 90% reduziert werden können.

2. Personalauslastung steigern

Durch die Präzisierung der Reparaturaufgaben sowie Ersatzteile, Werkzeuge und eventuellen Unterstützung für die Problembeseitigung kann Predictive Maintenance die Auslastung des Wartungspersonals wesentlich steigern.

3. Arbeits- und Materialkosten senken

Die effektive Nutzung von Predictive Maintenance reduziert die Wartungsausgaben (zusammengesetzt aus Arbeits- und Materialkosten) um 35% bis 60%.

4. Nutzungsdauer erhöhen

Die Durchführung kleiner Anpassungen oder Reparaturen und damit die Vermeidung, dass geringe Defizite zu ernsthaften Problemen werden, kann die Nutzungsdauer eines Systems um 33% bis 60% erhöht werden.

 


Showcase: Regenfälle anhand Klimadaten mit Hilfe von Analytics vorhersagen

In diesem Showcase demonstrieren wir, wie man mit unserer Analytics-Technologie, die normalerweise für die Vorhersage der Stör- und Ausfälle eingesetzt wird, die Aufgabe „Erkennung von Zusammenhängen in atmosphärischen Ereignissen“ lösen kann. Dies ist möglich, weil die Natur der beiden Aufgaben im Grunde identisch ist und weil die Analytics-Methodologie die Semantik der zu analysierenden Daten nicht berücksichtigt.

Obwohl der Hauptzweck unseres Klimasensors WolkSensor die Aufzeichnung und Übertragung von Klimaparametern in Räumlichkeiten und Kühlanlagen ist, hat uns die Beobachtung, dass der Luftdruck in geschlossenen Räumlichkeiten absolut identisch mit dem Luftdruck von Außen ist, dazu verleitet, seine aufgezeichnete Büro-Luftdruckdaten sowie die Niederschlagsdaten, die öffentlich verfügbar sind, für ein kleines Experiment zu verwenden.

Wir haben damit nämlich unsere Hypothese „Bei stark abfallendem Luftdruck (mindestens 1,0 hPa/Stunde) sind Regenfälle sehr wahrscheinlich.“ getestet. In den aufbereiteten Daten haben wir den Zeitstempel als ID-Attribut und das Auftreten der Niederschläge als Label-Attribut benutzt. Um unser Vorhersagemodell zu trainieren, haben wir uns bei den historischen Klimadaten vom 1. bis 28. November 2015 bedient. Das trainierte Vorhersagemodell haben wir auf die letzten November-Tage angewandt:

Datenanalyse für November 2015

In dem obigen Diagramm sind die Regenfall-Wahrscheinlichkeitswerte (multipliziert mit 10) mit der grünen Linie dargestellt. Wie man auf der rechten Diagrammseite sehen kann, hat unser Vorhersagemodell den Regenfall an beiden Tagen mit hoher Wahrscheinlichkeit (mit Werten von 0,8 bis 1,0) prognostiziert, was wiederum durch die historischen Regenfalldaten (dargestellt mit der roten Linie für jeden Tag um 12:00 Uhr) bestätigt wurde.

Um sicher zu sein, dass wir keine zufälligen positiven Ergebnisse bekommen haben, haben wir das trainierte Vorhersagemodell weiterhin auf die ersten 20 Tagen aus dem Dezember 2015 angewandt und in den meisten Fällen unsere vorherigen Ergebnisse bestätigen können.

Datenanalyse für Dezember 2015

Ein Fall, bei dem unser Vorhersagemodell fehlgeschlagen hat, ist der 6. Dezember. An dem Tag hat es nicht geregnet, aber die Vorhersage hat das Gegenteil behauptet. Der Grund dafür ist die Tatsache, dass unser Vorhersagemodell keine weiteren Klimaparameter (wie die Temperatur, Feuchtigkeit, Windrichtung und Windstärke) berücksichtigt.