Predictive Maintenance (PM) – Optimale Instandhaltung durch Machine Learning Vorhersage

Eine technische Anlage ist dann zuverlässig verfügbar, wenn sie zeitnah instandgesetzt wird, d.h. Wartung und Reparatur direkt erfolgen. Das gelingt nur, wenn das Unternehmen auf entsprechende Ressourcen zurückgreifen kann. Kurz: die entsprechenden Fachkräfte, Ersatzteile und Logistik etc. vorhanden sind.

Benutzt das Unternehmen eine Anlage mit unerkanntem Wartungsbedarf einer Komponente weiter und setzt diese nicht zeitnah instand, wird die Fehlerbehebung oft noch teurer. Es werden dann womöglich auch andere Teile der Anlage in Mitleidenschaft gezogen und die Wartung dauert dementsprechend länger.

Um möglichst schnell und zu richtiger Zeit reagieren zu können, wäre eine zuverlässige Detektion und Vorhersage von Schadensereignissen ideal. So können die notwendigen Mittel zur ökonomisch optimaler Instandhaltung direkt bedarfsgerecht bereitgehalten werden. Ziel ist demnach eine Instandhaltungsstrategie, die mögliche Fehler erkennt, bevor Sie geschehen und so die Planung optimaler Wartung ermöglicht.

Eine zuverlässige Vorhersage der zukünftigen Ereignisse ist ein Bestandteil jeden Predictive Maintenance (PM) Systems. Ein wichtiger Schlüssel liegt in den Mustern vergangener Ereignisse. Die Erkennung komplexer Muster sowie deren Eigendynamik und Trends sind das Spielfeld des von uns entwickelten PM-Systems.
 

DIN 3105 unterscheidet zwischen drei Instandhaltungsarten:

  1. störungsabhängig
  2. zeitabhängig
  3. zustandsabhängig

Predictive Maintenance ist eine Erweiterung der zustandsabhängigen Instandhaltung, die voraussagen kann, wann die Anlage ausfällt. Das Hauptziel dabei ist, den Nutzungsvorrat der Komponenten möglichst komplett auszuschöpfen und gleichzeitig jeglichen Fehler oder Ausfall zu beheben, noch bevor er passiert.

Modelle und Techniken

Je nach Zielsetzung treffen die Modelle dann verschiedene Aussagen. Nachfolgend einige Beispiele:

  • Mit welcher Wahrscheinlichkeit tritt in der nächsten Betriebsdauer von einem bestimmten Zeitintervall, bei einem bestimmten Betriebsmodus des technischen Systems, ein bestimmtes Ereignis auf?
  • Welche sind entscheidende Einflussgrößen für bestimmte Ereignistypen? Wie können diese gerankt werden?
  • In welchem Zustand befindet sich das System aktuell? Wie sind die Übergangswahrscheinlichkeiten aus gegebenem Zustand in einer bestimmten Zeitspanne in einen bestimmten anderen Zustand?
  • Wie können multivariate Anomalien detektiert und interpretiert werden?
     

Dazu nutzen wir Techniken aus dem Machine Learning , wie:

  • Clusteranalyse: Subspace Clustering, Data Streaming Clustering
  • Merkmalsselektion/Dimensionsreduktion: PCA, ICA, Autoencoders, Mutual Information, First order utility
  • Event Analyse: Markov Chains, CTMC, Nicht-homogene Poisson Prozesse, Cox-Regression, Bayesian Model Averaging, MCMC
Schema Predictive Maintenance
© ITWM

Schema Predictive Maintenance

Vorteile durch Predictive Maintenance­­­­­­­­

Predictive Maintenance kann vor allem da schnell eingeführt werden, wo bereits vielfältig Daten erfasst werden. Jedoch kann sich auch das nachträgliche Aufrüsten von Monitoring-Systemen lohnen. Generell bringt PM folgende Vorteile mit sich:
 

Unmittelbare Vorteile:

  • die Chance Störungen, Fehler und Ausfälle vor ihrem Auftreten vorherzusagen und dadurch zu vermeiden.
  • weniger kostenintensive Stillstände bei den Anlagen, optimale Ausschöpfung des Nutzenpotentials der Anlagen
  • Instandhaltungen werden kosteneffizienter und vorrausschauend geplant
     

Mittelbare Vorteile, die daraus folgen:

  • höhere Ausschöpfung des Nutzenpotentials
  • Steigerung der Produktivität
  • Senkung der Lagerkosten
  • Verbesserung der Produktqualität
  • Erhalt der Ressourcen
  • Gute Instandhaltung erhöht zudem die Kundenzufriedenheit
  • und bietet die Möglichkeit neue Servicekonzepte zu entwickeln.
  • Die Wettbewerbsfähigkeit wird verbessert