Predictive Maintenance ohne Data-Science-Team: So wenden auch Sie Machine Learning an

Begriffe wie Machine Learning, Deep Learning und Predictive Maintenance begegnen Ihnen mittlerweile fast täglich. Doch was steckt konkret dahinter, und wie lässt sich daraus ein messbarer Nutzen für Ihre Anlagen ableiten? Dieser Beitrag zeigt, dass vorausschauende Wartung kein eigenes Data-Science-Team voraussetzt.

Was Predictive Maintenance leistet

Predictive Maintenance ist ein proaktiver Wartungsansatz: Statt nach festen Intervallen oder erst nach einem Ausfall zu reagieren, werden sich anbahnende Fehler frühzeitig vorhergesagt. So lassen sich ungeplante Stillstände entweder ganz vermeiden oder gezielt in günstige Wartungsfenster verlegen.

Die Bausteine der Architektur

Die erste Grafik visualisiert die notwendigen Komponenten einer solchen Lösung. Sie gliedert sich in drei aufeinander aufbauende Schichten: Sensorik, Datenvorverarbeitung und das eigentliche Modell.

Sensoren. Sie liefern die Grundlage, um überhaupt auf Ereignisse reagieren zu können. Mehr Datenquellen sind grundsätzlich von Vorteil, doch in vielen Fällen reichen die bereits vorhandenen Sensordaten aus. Ob das so ist, lässt sich einfach überprüfen.

Datenvorverarbeitung. Weil die Sensoren in der Regel über unterschiedliche Systeme erfasst werden, ist es sinnvoll, alle Daten auf einer Plattform zu bündeln. Verschiedene Geräte lassen sich dazu in der Grafik ergänzen, und Sie entscheiden, welche Daten einfliessen und welche nicht. Im ersten Schritt sollten jedoch sämtliche Daten integriert werden, die mit dem Verhalten Ihrer Anlage zusammenhängen. Anschliessend werden diese Daten auf die Plattform überführt.

AutoML: Machine Learning in eigener Hand

Für den Schritt vom Datenstrom zur Vorhersage liefert die Firma Weidmüller das passende Werkzeug. Entscheidend ist dabei der Anspruch, dass Sie Machine Learning selbst anwenden und betreiben können, ohne auf zusätzliches Know-how Dritter angewiesen zu sein. Die AutoML-Lösung wurde über Jahre hinweg so weit verfeinert, dass sie sich auch von Bedienpersonal an einer einfachen Maschine anwenden lässt.

AutoML in der Praxis

Der Ablauf folgt einer klaren Reihenfolge. Zunächst werden alle Sensordaten auf die AutoML-Plattform überführt. Dort prüfen Sie die Qualität Ihrer Daten. Ist diese Prüfung abgeschlossen, ordnen Sie die Sensordaten einem Zustand zu. Nach abgeschlossener Datenaufbereitung erzeugen Sie daraus ein AutoML-Modell, also einen Algorithmus.

Dieses Modell wird anschliessend laufend mit den Echtzeitdaten Ihrer Anlage abgeglichen. Zeigt sich ein abnormales Verhalten, werden Sie sofort benachrichtigt. Den Abgleich der Daten können Sie wahlweise in der Cloud durchführen lassen oder lokal direkt an Ihrer Maschine.

Der konkrete Mehrwert

Einfache Anwendung. Der gesamte Workflow ist so gestaltet, dass er ohne externes Data-Science-Team beherrschbar bleibt.

Weniger Ausfälle. Ungeplante Stillstände lassen sich reduzieren oder ganz eliminieren.

Neue Geschäftsmodelle. Auf Basis der gewonnenen Zustandsdaten lassen sich neue Angebote für Ihre Kunden entwickeln.

Fazit

Predictive Maintenance ist heute kein Privileg grosser Konzerne mehr. Mit einer durchdachten Architektur aus vorhandener Sensorik, einer gebündelten Datenbasis und der AutoML-Lösung von Weidmüller können auch KMU Machine Learning eigenständig produktiv einsetzen. Das Thema lässt sich kaum in einem einzigen Beitrag erschöpfen, daher zeige ich Ihnen die Anwendung von AutoML gerne in einem unverbindlichen Termin im Detail.