Zuverlässigkeit steigern und Wartungsergebnisse verbessern mit maschinellem Lernen

Mike Brooks von AspenTech

Es besteht ein erheblicher Bedarf, Fehlervermeidung mithilfe von datengesteuerten Wahrheiten statt Schätzungen durchzuführen. Die Kombination aus mechanischen und prozessbedingten Ausfällen kostet laut einem Bericht von The McKinsey Global Institute aus dem Jahr 2012 bis zu 10 % eines weltweiten Fertigungsmarktes von 1,4 Billionen US-Dollar .

Obwohl Unternehmen Millionen ausgegeben haben, um dieses Problem anzugehen und ungeplante Ausfallzeiten zu vermeiden, konnten sie bisher nur Verschleiß und altersbedingte Ausfälle beheben. Aktuelle Techniken können Probleme nicht früh genug erkennen und es fehlt ihnen der Einblick in die Gründe für die scheinbar zufälligen Ausfälle, die über 80 % der ungeplanten Ausfallzeiten verursachen. Hier können prozessbedingte Fehler erfasst werden, indem Software für maschinelles Lernen verwendet wird, um ein „weiteres Netz“ um Maschinen zu spannen.

Um ungeplante Ausfallzeiten zu vermeiden, müssen Unternehmen Frühindikatoren für drohende Ausfälle erkennen und effektiv darauf reagieren. Herkömmliche Wartungspraktiken sagen keine Fehler voraus, die durch Prozessabweichungen verursacht werden, sagt Mike Brooks, Senior Business Consultant, AspenTech und früher Mtell Präsident &Chief Operating Officer.

Das würde einen einzigartigen Technologieansatz erfordern, der Maschinen und Prozesse kombiniert; insbesondere für anlagenintensive Branchen wie Fertigung und Transport. Mit der richtigen Technologie können Unternehmen die Muster der sich abzeichnenden Verschlechterung erkennen und ausreichend gewarnt werden, um Ausfälle und Änderungsergebnisse zu vermeiden.

Ausfallzeiten mit Software für maschinelles Lernen vorhersagen

Fortschrittliche Software für maschinelles Lernen hat bereits unglaubliche Erfolge bei der Früherkennung von Geräteausfällen gezeigt. Eine solche Software ist nahezu autonom und lernt Verhaltensmuster aus den Strömen digitaler Daten, die von Sensoren an und um Maschinen und Prozesse erzeugt werden.

Diese fortschrittliche Technologie lernt automatisch und mit minimalem Ressourceneinsatz ständig dazu und passt sich an neue Signalmuster an, wenn sich die Betriebsbedingungen ändern. Fehlersignaturen, die auf einer Maschine gelernt wurden, „impfen“ diese Maschine, sodass derselbe Zustand nicht wieder auftritt. Darüber hinaus werden die gelernten Signaturen auf ähnliche Maschinen übertragen, um zu verhindern, dass sie von denselben erniedrigenden Bedingungen beeinträchtigt werden.

So verlor beispielsweise ein nordamerikanisches Energieunternehmen bis zu einer Million Dollar durch Reparaturen und Umsatzeinbußen durch wiederholte Ausfälle von elektrischen Tauchpumpen. Die fortschrittliche Anwendung für maschinelles Lernen lernte das Verhalten von 18 Pumpen. Die Software erkannte ein frühes Gehäuseleck an einer Pumpe, das einen Umweltvorfall verursachte. Das Anwenden der Fehlersignatur auf den Rest der Pumpen lieferte eine Frühwarnung und ermöglichte frühzeitiges Handeln, um einen wiederholten Vorfall zu vermeiden und so ein größeres Problem zu verhindern.

In einem anderen Fall setzte ein führendes Eisenbahnfrachtunternehmen, das in 23 US-Bundesstaaten tätig ist, maschinelles Lernen ein, um die ständigen Ausfälle von Lokomotiven zu beheben, die Reparaturen, Geldstrafen und Einnahmeverluste in Millionenhöhe kosten. Die Anwendung für maschinelles Lernen arbeitet in-line, in Echtzeit und wurde auf einer sehr großen Lokomotivflotte eingesetzt, um Schmieröldaten auf extrem frühe Anzeichen von Motorausfällen zu untersuchen.

Die Anwendung erkannte sogar eine Verschlechterungssignatur, während der Motor einen Niederdrucktest bestand. Die Umleitung der Lokomotive für den sofortigen Service „spart dem Unternehmen Millionen von Dollar an kostspieligen Ausfallzeiten und Geldstrafen.“

Es ist jetzt an der Zeit, Software für maschinelles Lernen zu implementieren

Unternehmen können sich nicht mehr allein auf traditionelle Wartungspraktiken verlassen, sondern müssen auch betriebliche Verhaltensweisen in die Bereitstellung datengesteuerter Lösungen einbeziehen. Die heutige Notwendigkeit besteht darin, aus bestehenden Assets zusätzlichen Nutzen zu ziehen und ein fortschrittliches Machine-Learning-Programm zu implementieren, um schnelle Verbesserungen zu erzielen.

Mit den richtigen Softwarelösungen erkennen prädiktive Technologien die Bedingungen, die die Anlageneffektivität einschränken, und bieten gleichzeitig präskriptive Leitlinien, die sicherstellen, dass Unternehmen profitabel bleiben und die Margen verbessern.

Der Autor dieses Blogs ist Mike Brooks, Senior Business Consultant, AspenTech und ehemaliger Präsident und Chief Operating Officer von Mtell