Prädiktive Wartung

Erfahren Sie, wie KI dafür verwendet werden kann, Fehler vorherzusagen und zu verhindern sowie zum Maximieren der Betriebsdauer.

Einführung

Ungeplante Ausfälle von Geräten und Maschinen können für jedes Unternehmen schädlich sein. Es ist von entscheidender Bedeutung, für den unterbrechungsfreien Betrieb dieser Geräte und Maschinen zu sorgen, um die Auslastung zu maximieren, teure, ungeplante Ausfallzeiten zu minimieren und Gesundheits-, Sicherheits- und Umweltrisiken zu reduzieren. Das Ziel der Predictive Maintenance-Strategie besteht darin, die Betriebsdauer der Geräte und Maschinen zu verlängern und Ausfälle zu verhindern. Die Anomalieerkennung ist eine häufig verwendete Methode, die erkennt, wenn das Verhalten eines Geräts nicht der Erwartung entspricht. Lösungen zur Anomalieerkennung sind häufig präziser als einfache regelbasierte Fehlererkennungsmethoden und helfen dabei, teure Fehler und Ausfälle zu verhindern.

Daten vorbereiten

Zunächst müssen in einer Predictive Maintenance-Lösung die Daten vorbereitet werden. Dazu zählen die Datenerfassung und -bereinigung sowie die Entwicklung von Merkmalen. Predictive Maintenance-Probleme enthalten häufig folgende Daten:

  • Computerinformationen (z.B. Größe der Engine, Typ und Modell)
  • Telemetriedaten (z.B. Sensordaten wie Temperatur, Druck, Vibration, Strömungseigenschaften und Betriebsgeschwindigkeit).
  • Wartungs- und Eingriffsverlauf: der Reparaturverlauf eines Computers und Runtimeprotokolle
  • Fehlerverlauf: der Fehlerverlauf eines Computers oder einer relevanten Komponente

Die Daten müssen Beispiele für Erfolge und Fehler enthalten, um Fehler vorhersagen zu können. Eine hohe Anzahl von Beispielen führt zu besseren Predictive Maintenance-Modellen, die sich leichter verallgemeinern lassen. Es ist auch wichtig, sowohl die Daten von ausgefallen Geräten als auch die Daten von noch im Betrieb befindlichen Geräten zu besitzen. Die Daten können Messwerte der Geräte und Maschinen umfassen, bei denen ein Fehler aufgrund des für Sie relevanten Problems vorliegt, sowie Messwerte von Geräten, die aus anderen Gründen ausgefallen sind. In beiden Fällen gilt: je mehr Daten, desto besser die Lösung.

Erstellen und Trainieren

Viele Predictive Maintenance-Lösungen verwenden Klassifizierungsmodelle mit mehreren Klassen, um die verbleibende Nutzungsdauer einer Ressource zu berechnen. Verwenden Sie eine Predictive Maintenance-Lösung mit einer Klassifizierung mit mehreren Klassen, wenn Sie zwei Ergebnisse vorhersagen möchten, z.B. einen Zeitbereich für einen Fehler und die Wahrscheinlichkeit eines Fehlers aufgrund von einer von mehreren Grundursachen. Für ein erfolgreiches Modell müssen nicht nur die richtigen Algorithmen ausgewählt, sondern auch die Hyperparameter optimal eingestellt werden. Dabei handelt es sich um Parameter (z.B. die Anzahl von Schichten in einem neuronalen Netzwerk), die vor dem Trainingsvorgang festgelegt werden. Hyperparameter werden vom Data Scientist häufig durch Ausprobieren festgelegt. Sie wirken sich auf die Genauigkeit und die Leistung des Modells aus, und das Ermitteln der optimalen Werte erfordert häufig viele Durchläufe.

Jede Trainingsausführung generiert Metriken, die zur Bewertung der Effektivität des Modells verwendet werden. Bei der Genauigkeit handelt es sich um die am häufigsten verwendete Metrik. Sie wird für die Beschreibung der Leistung eines Klassifizierers verwendet. In Predictive Maintenance-Lösungen werden jedoch häufig Trefferquote und F1-Maße verwendet. Die Genauigkeit wird als der Anteil richtig positiver Ergebnisse an der Gesamtzahl aller positiven Ergebnisse (richtig und falsch) definiert. Im Gegensatz dazu gibt die Trefferquote den Anteil richtig positiver Ergebnisse an der Summe richtig positiver und falsch negativer Ergebnisse von Fehlervorhersageinstanzen an. F1-Maße berücksichtigen die Genauigkeits- und die Rückrufraten.

Bereitstellen

Wenn die effizienteste Variante eines Modells ermittelt wurde, muss dieses Modell als Webdienst mit einem REST-Endpunkt bereitgestellt werden. Das Modell wird dann von Branchenanwendungen oder Analysesoftware aufgerufen. Im Fall von Predictive Maintenance enthalten die End-to-End-Architekturen jedoch häufig Echtzeit-Telemetriedaten von Maschinen, die von Systemen wie Azure Event Hubs gesammelt werden. Die Daten werden von Stream Analytics erfasst und in Echtzeit verarbeitet. Die verarbeiteten Daten werden an einen Webdienst mit Vorhersagemodell weitergeleitet, und die Ergebnisse werden auf einem Dashboard angezeigt oder an einen Warnmechanismus übermittelt, der Techniker oder Servicemitarbeiter über die Fehler informiert. Die erfassten Daten können auch in Verlaufsdatenbanken gespeichert und mit externen Daten zusammengeführt werden (z.B. lokale Datenbanken), sodass diese an Trainingsbeispiele für die Modellierung übermittelt werden können. In IoT-Szenarien (Internet der Dinge) wird möglicherweise ein Modell am Edge bereitgestellt, sodass die Ermittlung räumlich und zeitlich so nah wie möglich am Ereignis erfolgen kann.

Die KI bietet Kunden tolle Möglichkeiten