Echten Business Value mit Data Science für industrielle Asset-Wartung freisetzen

Ausfälle durch Vorhersage von Zustand und Wartungsbedarf industrieller Assets zu verhindern, ist eine massive Herausforderung. Die Data-Science-Welt ist voll von Modellen, die in Realumgebungen scheitern. Was ist der beste Ansatz?

Theorie und Praxis

In der Theorie sind Theorie und Praxis dasselbe. In der Praxis nicht. Nirgendwo trichter dies mehr als beim Übersetzen von Industrieasset-Modellen in actionable Insights, die Shopfloor-Verbesserungen liefern. Akademische Data-Science-Papers zeigen Algorithmen, die andere um Prozentpunkte schlagen – in Fabriken aber ist das Durchdringen verrauschter Signale, um überhaupt Muster zu finden, eine Challenge.

Doch das ist nur das erste große Hindernis für DIY-Modellentwickler, die hoffen, ihre Bemühungen ermöglichten Predictive Maintenance oder andere Business Outcomes. Wer ein robustes Modell für Realbedingungen entwickelt, läuft sofort in das nächste große Problem: Nützliche Modelle müssen deployed werden, nicht nur entwickelt.

Deployment bedeutet natürlich: Modelle im großen Maßstab laufen lassen. Aber auch: Interface bereitstellen, das Ergebnisse freundlich präsentiert und Nutzer befriedigt, indem es verschiedenen Gruppen Alert-Priorisierung, Feedback-Sammlung etc. ermöglicht. Haben Sie 20.000 Roboter in einem Großwerk: Selbst das Deployment einer UI für interaktive Charts für alle ist alles andere als trivial. DIY-Modellierer stellen fest: Sie versuchen eigentlich, ihre eigenen Apps zu bauen. Extrem ressourcenintensiv und kostspielig.

Experten fragen

Aus diesen Gründen ist es fast immer besser, mit einem Spezialanbieter zu kooperieren – mit eigener Data-Science-Expertise und Deployment-Support, damit Shopfloor-Nutzer einfach auf Infos zugreifen können. Unternehmen denken, ihre Custom-Modelle performten besser als generische Algorithmen von Lieferanten. Doch Unterschiede sind oft marginal und werden weit überwogen von den Negativseiten des Alleingangs.

Beispiel: Die Modelle in Senseyes Predictive-Maintenance-Lösung Senseye PdM sind oft auf Par mit Custom-Modellen und performen teils besser. Einzigartige ML-Algorithmen wandeln Daten in präzise Vorhersage der Restnutzungsdauer (RUL) von Fertigungsassets – Prognostik genannt.

Ein Grund, warum Senseye PdM Erwartungen routinemäßig übertrifft: Algorithmen behandeln jede Maschine als einzigartig – selbst bei gleichem Hersteller und Modell. Maschinen, die identisch starten, verhalten und verschleißen anders über Zeit durch Unterschiede in unmittelbarer Umgebung oder ausgeführter Arbeit. Jedes Asset als Individuum mit einzigartigem „Verhaltens-Fingerabdruck“ zu behandeln, boostet Prognostik-Genauigkeit erheblich und unterstützt Produktionsteams besser, Uptime zu maximieren.

Neben bewährter Performance getesteter Algorithmen entfernt Partnerschaft mit Senseye alle Begleitprobleme: robuste Performance, Skalierung, Deployment, Usability, Security.

Hat ein potenzieller Nutzer bereits ein Custom-Modell entwickelt und will es nutzen, kann Senseye es via API integrieren. Selbst wenn das Custom-Modell nicht in Senseye PdM integriert wird, kann die Lösung dessen Ergebnisse als nützlichen Input akzeptieren.

Doch weit häufiger deployt Senseye seine eigenen sophistizierten generischen Algorithmen. Senseyes Data Scientists fokussieren die Realität wie sie ist, nicht wie wir sie gerne hätten – Modelle sind extrem robust selbst in verrauschten Datenumgebungen.

Bei Implementierung von Prognostik und Predictive Maintenance ist dieser robuste Ansatz besonders wichtig beim Erfassen von Daten aus Ausfällen. In oft chaotischen Momenten ist es vital, sinnvolle Information unter dem Rauschen zu extrahieren, damit das System einen nahenden Ausfall identifiziert und Alert auslöst, bevor der Asset erneut versagt.

Zusammenarbeiten

Auch wenn externe Expertise der ressourceneffizienteste Weg ist, Modelle für Condition Monitoring und PdM zu deployen – Nutzer spielen wichtige Rolle, um das Maximum aus generischen Datenmodellen zu holen.

Zunächst: Es gibt immer eine Lernkurve beim Deploy generischer Modelle. Senseye PdM braucht initial 14 Tage für Ergebnisse – Aufbau eines „Fingerabdrucks“ des einzigartigen Verhaltens jedes Assets unter Normalbetrieb.

Inhouse-Expertise und -Erfahrung der Kundenteams – Condition-Monitoring-Spezialisten, Maschinenbauingenieure – kombiniert mit unseren Technologieexperten kann in diesen Prozess einspeisen, Senseye das System upfront so zu konfigurieren, dass Daten und Events priorisiert werden, die Nutzer am meisten interessieren. Das beschleunigt den initialen Lernprozess der Algorithmen. Langfristig ermöglicht ein System regelmäßigen Feedbacks den Algorithmen, ein Bild aufzubauen, welche Events und Trends für Nutzer relevant sind und welche irrelevanter. Nützlich beim Deploy generischer Modelle, die sich graduell anpassen, um Verhalten jeder Maschine immer präziser vorherzusagen.

Realwelt-Ergebnisse

Macht man es richtig, sind die Business-Vorteile beeindruckend. Senseye PdM reduziert ungeplante Maschinenstillstandszeiten typ. um 50 %, steigert Wartungspersonal-Produktivität um 55 % und boostet Prognosegenauigkeit für Stillstandszeiten um 85 %.

Typisch schwer mit Custom-Algorithmen zu matchen – ein herausragender Ansatz wird empfohlen für Realwelt-Ergebnisse.

Mehr erfahren: Whitepaper „Harness The Power of Prediction“ lesen oder ROI Calculator testen, wie Sie profitieren könnten.