Predictive Maintenance ohne Machine-Learning-Expertise einsetzen

Unter Ingenieuren wächst die Wahrnehmung, dass Predictive Maintenance mittlerweile fast ausschließlich eine Domäne von KI-Techniken sei, was sie zwinge, Machine-Learning-Kenntnisse zu erwerben. Tatsächlich zeigen Experten von MathWorks, dass sich robuste Predictive-Maintenance-Lösungen auch ohne tiefgreifendes ML-Wissen aufbauen lassen.

In einem aktuellen Gespräch mit EDN skizzierte Senior Product Marketing Manager Aditya Baru einen Vier-Schritte-Workflow und hob spezialisierte Tools hervor, die jede Phase abdecken.

Abbildung 1. Ein grundlegender Predictive-Maintenance-Workflow umfasst vier Schritte. Quelle: MathWorks

1. Datenverarbeitung

Für Ingenieure, die keine Data Scientists sind, kann das Sichten der riesigen Mengen an Rohsensordaten, die von industriellen Assets – Windkraftanlagen, Generatoren, Pumpen, Motoren – erzeugt werden, überwältigend sein. Ein Strahltriebwerk oder eine Ölpumpe in einer Förderanlage kann problemlos einen Terabyte Daten pro Tag produzieren, wodurch die Fehlersuche in solchen Datenmengen unmöglich erscheint.

Baru erklärt, dass Ingenieure beginnen können, eingehende Datenströme auf subtile Änderungen zu überwachen, frühe Anzeichen von Degradation zu identifizieren und die Grundursache abnormalen Verhaltens zu ermitteln. So kann beispielsweise die Spektralanalyse einer kontinuierlich laufenden Pumpe die Fehlerfrequenzen aufdecken, die den Normalbetrieb von drohendem Ausfall unterscheiden.

Abbildung 2. Ingenieure können Lecks und Verstopfungen in Pumpen durch Verfolgung von Änderungen der Motorreibung erkennen. Quelle: MathWorks

2. Zustandsindikatoren

Stehen 100 Samples von Zeitreihendaten zur Verfügung, besteht das Ziel darin, diese auf eine einzelne, informationsreiche Zahl – einen Zustandsindikator – zu reduzieren. Dieser Datenschritt verdichtet einen großen Datensatz zu einem handhabbaren Merkmalssatz, der dennoch alle relevanten Dynamiken erfasst.

In einer aktuellen Zusammenarbeit mit Daimler Mercedes reduzierten MathWorks-Tools massive Zeitreihendaten einer Fertigungslinie auf einen kompakten Merkmalssatz – Muster, Zeitverzögerungen und andere Statistiken – und verringerten den Daten-Footprint um den Faktor 250.

Abbildung 3. Ingenieure können Merkmale aus Rohsensordaten extrahieren und Zustandsindikatoren mit zeit- und frequenzbasierten Techniken erstellen. Quelle: MathWorks

3. Prädiktives Modell

Mit einem verdichteten Datensatz, der die Originaldaten treu abbildet, können Ingenieure eine Reihe klassischer Modellierungstechniken – Zeitreihen, statistische oder wahrscheinlichkeitsbasierte – einsetzen, ohne tiefe KI- oder ML-Expertise zu benötigen. Diese Methoden sind in der Ingenieursgemeinschaft bestens etabliert und werden von MATLABs Predictive Maintenance Toolbox unterstützt.

Baru nennt Safran, ein Luft- und Raumfahrtunternehmen, das Signal-Conditioning-Techniken in MATLAB nutzt, um Komponentenausfälle vorherzusagen – ein Beleg dafür, dass traditionelle Ingenieurmethoden nach wie vor hocheffektiv sind.

Abbildung 4. Die Predictive Maintenance Toolbox ermöglicht Ingenieuren die Schätzung der verbleibenden Nutzungsdauer (RUL) und die Bereitstellung von Konfidenzintervallen für die Vorhersage. Quelle: MathWorks

4. Algorithmus-Bereitstellung

Der letzte und wohl kritischste Schritt ist die Bereitstellung des prädiktiven Modells in der Produktion. Ingenieure haben mehrere Optionen: das Modell lokal auf der Maschine einzubetten, es auf einem nahen Edge-Computer auszuführen oder Daten bei vorhandener Konnektivität in Cloud-Services zu streamen.

Die Implementierung von Predictive Maintenance über diesen Vier-Schritte-Workflow befähigt Ingenieure, einen Wartungsservice bereitzustellen, der Maschinen zu 90 % der Zeit betriebsbereit hält. Eine Suite spezialisierter Tools steht zur effizienten Verwaltung jedes Schritts zur Verfügung.

>> Dieser Artikel wurde ursprünglich auf unserer Schwesterseite EDN veröffentlicht.