Implementierung der vorausschauenden Wartung ohne maschinelles Lernen

Unter Ingenieuren wächst heutzutage die Auffassung, dass die vorausschauende Wartung heute eine fast ausschließliche Domäne von Techniken der künstlichen Intelligenz (KI) ist und dass sie zunächst maschinelles Lernen (ML) und neuronale Netzwerkfähigkeiten erlernen müssen, um solche Anwendungen zu implementieren. Laut Aditya Baru, Senior Product Marketing Manager bei MathWorks, können Ingenieure immer noch vorausschauende Wartung implementieren, ohne neue KI- und ML-Fähigkeiten zu erlernen.

In einem kürzlichen Gespräch mit EDN , skizzierte Baru vier grundlegende Schritte für die Implementierung der vorausschauenden Wartung und fügte hinzu, dass für jeden Schritt spezielle Tools zur Verfügung stehen.

Abbildung 1. Ein grundlegender Arbeitsablauf zur vorausschauenden Wartung umfasst vier grundlegende Schritte. Quelle:MathWorks

1. Datenverarbeitung

Für Ingenieure, die keine Datenwissenschaftler sind oder keinen Hintergrund in ML haben, ist es nicht einfach, große Datenmengen zu betrachten, die von Sensoren und Industrieeinheiten wie Windturbinen, Generatoren, Pumpen und Motoren generiert werden. Die Daten, mit denen Ingenieure zu tun haben, sind in erster Linie Rohdaten; es ist chaotisch und unsauber.

Ein Düsentriebwerk oder eine Ölpumpe in einem Explorationsbetrieb kann jeden Tag leicht ein Terabyte an Daten erzeugen; Stellen Sie sich nun vor, Sie suchen in einem Terabyte an Daten nach fehlerhaften Bedingungen. Was können Ingenieure also tun? „Ingenieure können sich die in großen Mengen ankommenden Daten ansehen, herausfinden, ob sich in den Rohdaten etwas ändert, jede Systemverschlechterung erkennen und feststellen, warum sich das System mit einer Anomalie verhält“, sagte Baru.

Bei einer Ölförderpumpe zum Beispiel ist eine Sache mit den Rohdaten, die Ingenieure einsehen können, die Spektralanalyse für eine Pumpe, die sich weiter dreht. So können sie die Frequenzen erkennen, bei denen Fehler auftreten. „Obwohl Ingenieure die Maschine bereits verstehen, müssen sie jetzt herausfinden, was am besten funktioniert.“

Abbildung 2. Ingenieure können Lecks und Verstopfungen in Pumpen erkennen, indem sie Änderungen der Motorreibung verfolgen. Quelle:MathWork

Das bringt uns zum zweiten grundlegenden Schritt, den Zustandsindikatoren, einer Methode zur Datenreduktion.

2. Zustandsindikatoren

Wenn ein Ingenieur über 100 Stichproben von Zeitreihendaten verfügt, sollte er es schaffen, sie auf eine einzige Zahl zu reduzieren, und diese einzelne Zahl muss alle relevanten Informationen in diesen 100 Stichproben erfassen. „Die Idee ist, einen riesigen Datensatz zu nehmen und ihn auf eine kleinere Anzahl von Funktionen zu reduzieren.“

Baru erwähnte ein kürzlich durchgeführtes Projekt, bei dem MathWorks mit Daimler Mercedes an einer Anomalieerkennungsanwendung arbeitete, die eine große Menge an Zeitreihendaten analysiert und herausfindet, ob die Fertigungslinie eine Anomalie aufweist. Hier reduzieren MathWorks-Tools die großen Datenmengen auf einen kleineren Satz von Funktionen – beispielsweise Muster und Zeitverzögerungen –, um die Datenverarbeitung um den Faktor 250 zu reduzieren.

Abbildung 3. Ingenieure können mithilfe zeit- und frequenzbasierter Techniken Merkmale aus Sensorrohdaten extrahieren und Zustandsindikatoren erstellen. Quelle:MathWork

Da sich Ingenieure jetzt mit einer kleineren Anzahl von Zustandsindikatoren befassen, können sie auf der Grundlage dieser Zustandsindikatoren ein Vorhersagemodell erstellen.

3. Vorhersagemodell

Mit einem viel kleineren Datensatz, der den gesamten großen Datensatz darstellt und einzigartige Informationen erfasst, können Ingenieure geeignete Tools verwenden, um prädiktive Lernmodelle zu erstellen, ohne unbedingt KI- und ML-Kenntnisse erlernen zu müssen.

Eine Vielzahl von Modellen – wie Zeitreihenmodelle, statistische Modelle und wahrscheinlichkeitsbasierte Modelle – sind gleichermaßen auf die Erstellung von Vorhersagemodellen anwendbar. „Es gibt viele traditionelle Ingenieurtechniken zum Erstellen von Vorhersagemodellen“, sagte Baru.

Abbildung 4. Predictive Maintenance Toolbox ermöglicht es Ingenieuren, die verbleibende Nutzungsdauer (RUL) abzuschätzen und Konfidenzintervalle für die Vorhersage bereitzustellen. Quelle:MathWorks

Ingenieure können ein Werkzeug auch für eine etwas andere Anwendung umfunktionieren. Baru erwähnte Safran, ein Luft- und Raumfahrtunternehmen, das Signalkonditionierungstechniken verwendet, um vorherzusagen, wann ein System ausfallen könnte. Die Arbeit erfolgt in MATLAB, einer Programmierumgebung für die Entwicklung von Algorithmen, Datenanalyse, Visualisierung und numerische Berechnungen.

4. Algorithmusbereitstellung

Der vierte Schritt ist wahrscheinlich der wichtigste:der Einsatz des Algorithmus für ein Vorhersagemodell in einer Produktionsumgebung. Ingenieure können die Algorithmen auf verschiedene Weise einsetzen. Dazu gehören ein lokal in eine Maschine eingebettetes Vorhersagemodell, ein kleiner Computer, der lokal als Server vor Ort läuft, oder Daten, die an die Cloud-Dienste gestreamt werden, wenn die Konnektivität möglich ist.

Die in diesem vierstufigen Workflow implementierte vorausschauende Wartung ermöglicht es Ingenieuren, einen Wartungsservice bereitzustellen, der garantiert, dass eine Maschine zu 90 % der Zeit betriebsbereit bleibt. Und es stehen Tools zur Verfügung, um all diese vier grundlegenden Schritte effizient zu verwalten.

>> Dieser Artikel wurde ursprünglich veröffentlicht am unsere Schwesterseite EDN.