Maschinelles Lernen für erweiterte Zustandsüberwachung nutzen

Wir hören viel über Entwicklungen im Bereich Condition Monitoring bezüglich Industrial Internet of Things (IIoT) und anderer Digitalisierungsstrategien. Die versprochenen Ergebnisse durch den Einsatz von Machine Learning (ML) und Künstlicher Intelligenz (KI) als Form der Zustandsüberwachung haben viele Organisationen in verschiedenen Branchen ermutigt, Data Science für sich arbeiten zu lassen.

Sie hoffen, die Effektivität ihrer Instandhaltungsmaßnahmen zu steigern und die dauerhafte Gesundheit ihrer kritischen Assets zu sichern. Wie Menschen können Computer aus vergangenen Erfahrungen lernen, um fundierte Vorhersagen über potenzielle zukünftige Ergebnisse zu treffen.

Ist Condition Monitoring wirklich so einfach?

Die Antwort lautet: Nein.

Stellen Sie sich vor, Sie erklären Ihrer Organisation, dass Sie einen bestimmten Ausfallmodus identifizieren können, wenn Sie die Maschine mindestens dreimal ausfallen lassen, um aus den Daten zu lernen und Muster für diesen spezifischen Ausfallmodus zu erkennen. Dies würde wahrscheinlich dazu führen, dass Sie das Gelände verlassen müssen und Ihre Technik belächelt wird. Herein liegt das Problem des maschinellen Lernens.

Machine Learning

Eine KI-Datentechnologie, die die Fähigkeit einer Datensoftware verbessert, zukünftige Ergebnisse – wie drohende Asset-Ausfälle – mit minimaler menschlicher Interaktion nach der initialen Einrichtungsphase vorherzusagen.
Quelle: Reliable Plant

Man könnte argumentieren, dass wir keine Modelle trainieren wollen, um individuelle Ausfallmodi zu erkennen, sondern nur benachrichtigt werden möchten, wenn ein bestimmtes Asset Daten liefert, die von den festgelegten Standards abweichen. Machine Learning kann dies hervorragend leisten. Allerdings kann dies auch Trenddaten, die seit Jahrzehnten im Einsatz sind und keine zusätzlichen Kapitalinvestitionen erfordern.

Der Wert von Machine Learning im Condition Monitoring

Was ist also der tatsächliche Nutzen der Erstellung dieser Machine-Learning-Modelle?

Nicht viel, wenn wir die Geschichte hier beenden würden. Doch wir verfügen über eine enorme Menge an Daten, die uns unterstützen können; so können wir ein Machine-Learning-Modell trainieren, um zu verstehen, wie akzeptable Bedingungen im Vergleich zu inakzeptablen Bedingungen aussehen.

Wir können auch Multi-Technologie- und Prozessdaten in diese Strategie einbeziehen und so präzise identifizieren, welcher Datensatz oder welcher spezifische Sensor den Ausreißer produziert. Dies wird dann zum gezielten Fokus des Analyseteams.

Aber welchen Wert hat das?

Historische Daten deuten darauf hin, dass die meisten Anlagen etwa 80 % ihrer Assets in gutem Zustand haben, was bedeutet, dass ca. 20 % der Assets einen identifizierbaren Defekt aufweisen. Durch die Nutzung dieses Prozesses können wir nahezu 80 % der für Analysten erforderlichen Datenüberprüfungszeit effektiv eliminieren.

Dies entlastet ihre Terminkalender und ermöglicht es ihnen, sich auf höherwertige Daten und komplexere Probleme zu konzentrieren, die eine Kombination aus Anlagen-, Prozess- und Domänenwissen erfordern. So können sie den Anteil gesunder Anlagen erhöhen und die Anzahl identifizierbarer Defekte reduzieren.

Machine Learning für die Analyse

Die meisten Ingenieure und Analysten blättern nicht gerne in Datensätzen in der Hoffnung, ein Problem zu finden. Ihre wahre Freude liegt darin, die Ursache des Problems zu ermitteln. Machine Learning kann genutzt werden, um die Zeit der Analysten zu maximieren, was eine größere Instandhaltungs- und Zuverlässigkeitsreaktion ermöglicht und die Programmerweiterung durch Hinzufügen weiterer Assets oder Technologien erlaubt.

Wussten Sie schon?

„Machine-Learning-Algorithmen können Geräteausfälle mit einer Genauigkeit von 92 % vorhersagen und so die Asset-Zuverlässigkeit und Produktqualität verbessern.“
Quelle: ITConvergence

Wie bereits erwähnt, können Algorithmen generiert werden, um Anomalien bis auf die Ausfallmodus-Ebene zu identifizieren, doch sie müssen von robustem Domänenwissen begleitet sein, das mehrere Disziplinen umfasst – wie mechanische, elektrische und stationäre Anlagen. Fachexperten sollten ein grundlegendes Verständnis von Anlagen und Messgeräten haben.

Dieser Prozess ist nichts für schwache Nerven und erfordert zwar die Zusammenarbeit von Software-Ingenieuren, Data Scientists und Condition-Monitoring-Domänenexperten, um diese präzisen Modelle zu bauen, doch die Vorteile sind immens.

Die Vorteile der Algorithmengenerierung umfassen:

• Verringerte Ausfallzeiten durch Erweiterung zustandsbasierter Wartungsmodelle.
• Geringere Ausgaben durch Senkung der Kosten pro überwachtem Asset.
• Geringere Ausgaben durch Eliminierung zeitbasierter vorbeugender Wartungen.
• Erhöhte Produktivität.
• Erhöhte Mitarbeiterproduktivität.
• Erhöhte Anlagenzuverlässigkeit.
• Früherkennung von Fehlern und Ausfällen durch Verfeinerung lokaler Modelle und Schwellenwerte.
• Lebensqualitätsverbesserungen für alle Beteiligten.

Betrachten wir beispielsweise die Ölanalyse: Der Algorithmus muss Informationen und Wissen über die individuellen Komponenten, Teile und Metadaten des Assets enthalten.

Zudem sind Zuordnungen des Quellmaterials zu den spezifischen Testslates zwingend erforderlich, und die Kenntnis der richtigen Schwellenwerte ist entscheidend, um passende Machine-Learning-Modelle für die Schmierstoffanalyse zu erstellen.

Ebenso bei der Schwingungsanalyse: Die Definition von Interessensbereichen und das Entdecken von Mustern in der Wellenform und der schnellen Fourier-Transformation (FFT) ist nur ein Ausgangspunkt für Ihr Team. Dieses Basiswissen umfasst das Verständnis der Metadaten und ihrer einzigartigen Berechnungen, die mit spezifischen Ausfallmodi und Ausfallgründen verknüpft sind.

Ihr Team muss zudem über Wissen und grundlegendes Verständnis verfügen von:

• Den inhärenten Ausfallmodi.
• Welche Daten die inhärenten Ausfallmodi identifizieren können.
• Welche Sensoren am leistungsfähigsten und geeignetsten sind.
• Wo die Ausfallmodi in den Daten identifiziert werden.

Diese fehlen oft in den meisten, wenn nicht allen, heutigen Standardlösungen. Wenn man dieses fundamentale Wissen entfernt und sich ausschließlich auf einfache lineare Regression verlässt, wächst die Zahl ungenauer Messwerte – einschließlich falsch positiver und falsch negativer Ergebnisse – enorm. Dies schadet nur dem Ruf der Machine-Learning-Technologie.

Fazit

Während sich die Rolle des Condition-Monitoring-Analysten mit der Zeit weiterentwickeln und wandeln wird, sollte dies als positiver Übergang betrachtet werden; ihre Beteiligung an der Erstellung und Pflege dieser Machine-Learning-Anwendungen sowie ihre Bemühungen, die Modelle kontinuierlich zu aktualisieren, werden für die Organisation unschätzbar wertvoll sein.

Diese Datenbankerstellungs- und -pflegebemühungen werden das Herzstück jedes Condition-Monitoring-Programms bilden, und die Genauigkeit jedes Machine-Learning- und KI-Algorithmus wird von der Kompetenz, Beharrlichkeit und dem Wissen des Analysten abhängen.