PREDICTIVE MAINTENANCE
& ANALYTICS
Konkrete Anwendungsbeispiele für Predictive Maintenance & Analytics sind unter anderem das Bestimmen der optimalen Bestückung von Bargeldautomaten basierend auf dem bisherigen Benutzerverhalten, die Prognose von Maschinenfehlern wie auch die zeitliche Vorhersage der nächsten Maschinenwartung:
- Durch die standortspezifische Analyse des Nutzerverhaltens von Bankomatkunden kann die optimale Bestückung von Bargeldkassetten je Bankomat bestimmt werden.
- Durch die laufende Analyse von Maschinensensordaten kann anhand von Machine Learning Algorithmen erkannt werden, ob ein frühzeitiger/ungeplanter Maschinenstillstand bevorsteht.
- Durch rechtzeitige Wartungsoperationen können Maschinenfehler wie auch kostspielige Produktionsstillstände vermieden werden.
Beispiele
Problemstellung
Bei der datengetriebener Predictive Maintenance wird anhand von Modellen geschätzt, wann ein Maschinenteil ausfallen könnte, um eine korrigierende Wartung vor dem Ausfall effizient planen zu können. Im Detail ist das Ziel der Predictive Maintenance die Wartung zum günstigsten und kosteneffizientesten Zeitpunkt zu planen, damit die Lebensdauer der Maschinen optimal genutzt werden kann. In unserem Fall werden diverse tribologische (reibungsspezifische) Parameter einer Stahloberfläche – welche durch unterschiedliche Schleifpapiertypen bearbeitet wurden – geschätzt, um optimale Wartungsintervall bei der Fertigung von Produkten festlegen zu können.
Zielsetzung / Herangehensweise / Lösung
Der erstellte Prototyp identifiziert und quantifiziert die kausalen Zusammenhänge, welche die Schleifpapierkörnung auf diverse tribologische Parameter hat. Anhand von selbstadaptierende linear-log polynomialen Quantilsregressionen werden die Effekte, welche die Schleifpapierkörnung auf die mittlere arithmetische Höhe, mittlere quadratische Höhe, Kontaktfläche und den durchschnittlichen Druck hat, geschätzt. Diese Methode wird von Ausreißern nicht bzw. kaum beeinflusst und wählt den Grad des Polynoms anhand eines Optimierungsverfahren. Alle tribologische Parameter weisen einen klaren kausalen Zusammenhang zur Schleifpapierkörnung auf.
Nachdem alle relevanten tribologischen Parameter mit der Schleifpapierkörnung in Relation gesetzt wurden, können Erwartungswerte der Parameter inklusive deren 90% Konfidenzintervall auf Basis unterschiedlicher Schleifpapiertypen berechnet werden.
Nutzen
Wenn man die Belastung der Stahloberfläche vorab weiß, kann anhand dieses Verfahrens die optimale Schleifpapierkörnung identifiziert werden, welche zu einem Produkt führt, das einem bestimmten Wartungsintervall folgt. Somit kann jeglicher Prozess, welcher eine Stahlabnützung mit sich bringt, optimiert werden, indem man ein optimales Wartungsintervall angibt. Dies führt nicht nur zu einheitlichen Wartungsintervallen, welche mit anderen Geräten abgestimmt werden können, sondern auch zu einem Kostenersparnis hinsichtlich ungeplanter Wartungen und Stillstandszeiten. Mit Hilfe dieses Konzeptes können auch andere Abnutzungsprozesse modelliert und optimiert werden.
Problemstellung
In diesem Szenario wird der Zustand einer Stahlschiene, auf welcher sich ein Schlitten mit einer bestimmten Last bewegt, ermittelt um den optimalen Zeitpunkt für den Austausch der Stahlschiene zu berechnen.
Zielsetzung / Herangehensweise / Lösung
Der erstellte Prototyp liefert eine akkurate Einschätzung des Abnutzungsprozesses der Stahlschiene. Anhand eines Deep Learning Segmentierungsmodels bekommt der Operator Informationen über den Abnutzungsgrad der Stahlschiene, welcher auf der abgeriebenen Oberfläche basiert. Die Lokalisation und Größe der Abnutzung wird benötigt um die verbleibende Nutzungsdauer der Schiene zu ermitteln. Mit Hilfe zahlreicher abgenutzter Schienen und deren zeitliche Historie kann somit berechnet werden, wie lange die Stahlschiene noch von Nutzen sein wird bevor sie ausgeschieden und ersetzt werden muss.
Nutzen
Anhand eines Deep Learning Segmentierungsmodels können wir die abgeriebene Oberfläche der Stahlschiene berechnen, welche einen Hinweis über den derzeitigen Zustand der Schiene gibt und diese austauschen, bevor es zu einem abrupten Stillstand des Schlittens kommen würde. Dies führt nicht nur zu einer akkuraten Vorhersage von zukünftigen Ausfällen, sondern auch zu einem maximalen Nutzen der Stahlschiene und somit zu einer zweifachen Kostenreduktion hinsichtlich ungeplanter Wartungen und Stillstandszeiten. Mit Hilfe dieses Konzeptes können auch andere Abnutzungsprozesse modelliert und optimiert werden.
Problemstellung
Mit der steigenden Anzahl an Produktvariationen wird eine komplexe Abhängigkeit zwischen Montagelinien kreiert, welche wiederum zu einem Verständnisproblem von Produktionsprozessen innerhalb eines Unternehmens führt. Dies führt oft zu suboptimalen Produktionsprozessen welche die Produktqualität mindern. Um die Interaktionen zwischen den Montagelinien verstehen zu können müssen sämtliche Produktionsprozesse im Detail analysiert und veranschaulicht werden. Dadurch können Schritte identifizieren werden, welche zu einer höheren Produktqualität sowie zu einer Kostenersparnis führt.
Zielsetzung / Herangehensweise / Lösung
Ziel ist es, anhand von Bayesian Structure Learning Prozesse von Produktionslinien abzubilden und komplexe Abhängigkeiten zu zu identifizieren. Die komplexen Abhängigkeiten sollen automatisch anhand von Daten erlernt und anschließend grafisch dargestellt werden.
Nutzen
Unsere Lösung kann mögliche Fehlerursachen erkennen sowie komplexe Abhängigkeiten und Redundanzen von Montagelinien identifizieren. Dies führt zu einer höheren Produktqualität, einem optimaleren Zeitmanagement und einem besseren Verständnis der Montagelinien.
kontakt
Dr. Volkmar Wieser
- Softwarepark 32a, A-4232 Hagenberg
- +43 50 343 844
- Volkmar.Wieser@scch.at
Das Projekt AB292 wird im Rahmen von Interreg Österreich-Bayern 2014-2020 gefördert.