Maschinelles Lernen in der vorausschauenden Wartung

Wir sehen uns an, wie maschinelles Lernen (ML) dazu beiträgt, herkömmliche Modelle der vorbeugenden Wartung zu durchbrechen und neue Ebenen der Geräteproduktivität und -leistung in anlagenorientierten Organisationen voranzutreiben.

Vorausschauende Wartung durch maschinelles Lernen (ML)

Unvorhergesehene Ausfallzeiten von Geräten stellen ein zunehmend hohes Betriebsrisiko für anlagenorientierte Organisationen dar und erfordern tiefere Einblicke in den Anlagenzustand, die IoT und traditionelle vorausschauende Wartung ermöglichen können.

Vor diesem Hintergrund haben wir gesehen, wie traditionelle computergestützte Wartungsmanagementsysteme (CMMS) durch Enterprise Asset Management (EAM), Asset Performance Management (APM) und in jüngerer Zeit durch eine völlig neue Generation von Tools mit Fokus auf vorausschauende Wartung ersetzt wurden. Man kann mit Fug und Recht sagen, dass die Zuverlässigkeit und Leistung von Anlagen ihren Weg nach oben auf der Agenda gefunden hat.

Das Tempo des Wandels ist jedoch so schnell, dass diese Tools für die vorausschauende Wartung bereits nicht mehr die Granularitäts- und Leistungsanforderungen heutiger Unternehmen erfüllen. Gestört durch die Konvergenz von IoT und Cloud, die zusammen eine umfassendere und Echtzeit-Datenerfassung ermöglichen, kann Machine Learning Predictive Maintenance potenzielle Geräteausfälle erkennen, lange bevor sie andernfalls eine Flagge hissen würden. In ähnlicher Weise kann es die verbleibende Nutzungsdauer (RUL) von Anlagen durch dedizierte Überwachung und Wartung verlängern, anstatt sich an einen starren Zeitrahmen zu halten, der auf der typischen Nutzung basiert.

Legacy Predictive Maintenance versus Machine Learning Predictive Maintenance

Herkömmliche Machine-Learning-Modelle für vorausschauende Wartung basieren auf Feature-Engineering. Diese Modelle werden manuell basierend auf Erfahrung, Fachwissen und Standardmetriken und -methoden erstellt. Dieser Ansatz kann zwar äußerst effektiv sein, insbesondere in Fertigungsbetrieben, aber Modelle sind spezifisch für eine Maschine innerhalb einer Organisation und werden daher überflüssig, sobald diese Maschine ersetzt wird. Durch die Anwendung von maschinellem Lernen in großem Maßstab können Netzwerke automatisch die richtigen Merkmale aus den Daten extrahieren, die häufigsten Fehlermuster identifizieren und die Notwendigkeit beseitigen, jedes Mal, wenn ein neues Asset eingeführt wird, ein Modell manuell neu zu erstellen.

Machine Learning Predictive Maintenance wendet Algorithmen an, um aus historischen Daten zu lernen, und verwendet Live-Daten, um Fehlermuster zu analysieren. Daten werden im Laufe der Zeit über ein Netzwerk von Assets in einer Reihe von Organisationen gesammelt, wodurch Muster erkannt werden können, die Geräteausfälle vorhersagen, und Deep-Learning-Algorithmen angewendet werden können.

Durch die Kombination von Echtzeitdaten mit historischen Trends und Variablen wie aktuellen Umweltfaktoren kann maschinelles Lernen Entscheidungen darüber treffen, wann Maßnahmen ergriffen werden müssen, und Vorschläge dazu machen, wie diese Maßnahmen aussehen sollten. Das Produktionsteam kann dann entsprechende Maßnahmen ergreifen, ohne dass die erforderlichen Algorithmen tatsächlich verstanden werden müssen.

Machine Learning Predictive Maintenance ermöglicht es Ingenieuren in der Fertigung, die Daten zu erhalten, die sie benötigen, um einen Ausfall zu verhindern, anstatt Schlüsselindikatoren wie Temperatur und Druck manuell zu erfassen, die nicht nur Ungenauigkeiten riskieren und Zeit zum Hochladen benötigen, sondern auch eine Sicherheitsrisiko für das Personal. Strategisch gesehen ermöglicht dieser Ansatz den Ingenieuren, ihre Fähigkeiten voll und ganz auf das zu konzentrieren, was am wichtigsten ist:den Wartungsplan und die Anlagen, die ihre Aufmerksamkeit erfordern.

Beispielhafte bewährte Verfahren

Stellen Sie sich ein Transportunternehmen vor, das darüber informiert wird, dass einer seiner Busse eine Panne hat. Legacy Predictive Maintenance kann darauf hindeuten, dass der Motor gewartet werden muss, daher besteht die empfohlene Maßnahme darin, diesen Service zu beschleunigen und das Problem zu identifizieren. Machine Learning Predictive Maintenance könnte seine Fülle an Erkenntnissen nutzen, um festzustellen, dass der im Bus verwendete Motortyp einem häufigen Fehler unterliegt, was eine schnelle Diagnose, den Einsatz der richtigen Fähigkeiten und Abhilfemaßnahmen zur Behebung des Problems ermöglicht. Dies minimiert nicht nur die „Ausfallzeit“ des Fahrzeugs, sondern minimiert auch die Ressourcennutzung und trägt zum Ruf des Unternehmens für Zuverlässigkeit bei.

Überfällige Unterbrechung; kontinuierliche Innovation

Maschinelles Lernen kann verwendet werden, um schnell neue Ziele zu erreichen, sei es die Erhöhung des Durchsatzes, um der gestiegenen Nachfrage in einem bestimmten Bereich gerecht zu werden, oder die Anpassung an die Just-in-Time-Produktion im Falle eines Rückgangs oder einer Änderung von Angebot oder Nachfrage. Entscheidend ist, dass dies durch einen Wechsel erreicht werden kann, anstatt in ein Data-Science-Team zu investieren, was erhebliche Investitionen und Schulungen erfordert.

Angesichts der unsicheren Zeiten, an die wir uns in den letzten Jahren gewöhnt haben, ist es kein Wunder, dass sein Ansatz, der in der Verwendung von Algorithmen zum Auffinden von Mustern in Daten zur Vorhersage zukünftiger Ereignisse verwurzelt ist, in einer Vielzahl von Branchen übernommen wurde. Machine Learning Predictive Maintenance hat einen klaren Grund, den alten Sektor der vorausschauenden Wartung zu stören.

Der globale Markt für maschinelles Lernen wird nicht nur von 17,1 Milliarden US-Dollar im Jahr 2021 auf 90,1 Milliarden US-Dollar im Jahr 2026 wachsen, sondern die Dynamik hinter dieser Störung ist so groß, dass bis 2026 60 % der IoT-fähigen Predictive-Maintenance-Lösungen als Teil des Unternehmens bereitgestellt werden Produkte zur Vermögensverwaltung.

Erfolg vorhersagen

Zugänglich für alle Organisationen und mit minimalem Personalbedarf für die Einrichtung oder laufende Überwachung und der Flexibilität, je nach Bedarf zu skalieren, steht dem Erzielen von Wirkung auf diese Weise nur der Ehrgeiz einer Organisation im Wege, sich vom traditionellen Handbuch zu entfernen Operationen.

Maschinelles Lernen in eine Fabrik zu bringen, erschließt das Potenzial ihrer Anlagen und ihrer wichtigsten Zustandsindikatoren. Maschinelles Lernen hat keine maximale Anzahl von zu überwachenden Assets, es ist in der Lage, so wenig oder so viele Daten zu verwalten, die hineingesteckt werden. Und es wird mit seinen Erkenntnissen im Laufe der Zeit genauer, da die zusätzlichen Daten seine Modellierungs- und Analyseerfahrung bereichern. Durch die Bereitstellung von Einblicken anstelle der einfachen Überwachung von Schwellenwerten können sich die Anlageningenieure darauf konzentrieren, wo ihre Zeit am meisten benötigt wird, und durch die Reduzierung ungeplanter Ausfallzeiten und die Verlängerung der Maschinenlebensdauer effizienter arbeiten.

Die Vorteile dieses fundierten, wissensbasierten Asset-Management-Ansatzes erstrecken sich auf alle Bereiche einer Organisation, da die Auswirkungen die Mitarbeiter befähigen und herausfordern, neue Möglichkeiten zu erkennen und zu nutzen.

Whitepaper:Erweiterung menschlicher Expertise durch maschinelles Lernen

Laden Sie unser kostenloses Whitepaper herunter, um zu erfahren, wie wichtig es ist, Systembenutzer auf dem Laufenden zu halten, warum Asset Health als Konzept irreführend ist und wie der Aufmerksamkeitsindex eine effektivere Methode zur Priorisierung von Assets mit großen Produktivitätssteigerungen bietet.