Was ist Predictive Maintenance?

Predictive Maintenance

Predictive Maintenance beseitigt die Probleme der beiden anderen Ansätze, indem der Zustand von Anlagen kontinuierlich überwacht wird und ständig aktualisierte Schätzungen bereitgestellt werden, wann sie ausfallen oder eine Instandhaltung benötigen wird. Dies minimiert unerwartete Ausfallzeiten und senkt Betriebskosten, weil sichergestellt wird, dass die Instandhaltung genau dann durchgeführt wird, wenn dies nötig ist. Darüber hinaus können Maschinenhersteller durch Entwicklung erfolgreicher Lösungen zur Predictive Maintenance neue Einnahmequellen erschließen, indem sie ihren Kunden die Instandhaltung als Dienstleistung anbieten.

Herzstück einer Predictive-Maintenance-Lösung ist ein Algorithmus, der von einer Anlage gelieferte Sensordaten analysiert und anhand dieser Daten Anomalien erkennt, Anlagenprobleme diagnostiziert oder die Restnutzungsdauer (Remaining Useful Life, RUL) der Anlage prognostiziert.

Zur Entwicklung dieses Algorithmus müssen Ingenieure geeignete Daten sammeln, diese anschließend mithilfe von Tools wie MATLAB^® vorverarbeiten, Merkmale daraus extrahieren und diese Merkmale als Eingaben für ein Machine-Learning- oder Deep-Learning-Modell verwenden, das die eigentliche Prognose erstellt. Dieser Algorithmus wird in großem Maßstab in IT-/OT-Systemen bereitgestellt, wo er Daten mehrerer Anlagen und Maschinen empfängt und auswertet. Die erfolgreiche Umsetzung des letzten Schrittes ist entscheidend, um die Vorteile einer Predictive-Maintenance-Lösung zu realisieren.

Störungsdaten

Den ersten Schritt in der Entwicklung eines Algorithmus für die Predictive Maintenance stellt immer die Datenerfassung dar. Machine-Learning- und Deep-Learning-Modelle können nur dann zuverlässig arbeiten, wenn sie über robuste Trainingsdaten verfügen, die genau die Arten von Störungen repräsentieren, die Sie vorhersehen möchten. Dazu ist es wichtig, Daten zu sammeln, welche die Anlage sowohl im Nominalzustand als auch bei Vorliegen einer Störung repräsentieren.

Allerdings gestaltet es sich oft schwierig, Daten zu erhalten, die unter Störungsbedingungen entstehen – schließlich ist es das Ziel jedes Instandhaltungsprogramms, Störungen zu verhindern! Dadurch wird es Ingenieuren und Data Scientists erschwert, genau die Art von Daten zu erhalten, die zur Entwicklung ihres Algorithmus erforderlich sind.

Eine Lösung für dieses Problem ist die Verwendung virtueller Modelle, wie sie in Simulink^® erstellt werden, zur Abbildung der Anlagendynamik sowie zur Simulation von Störungen. So kann ein Ingenieur beispielsweise ein Modell einer Ölpumpe erstellen und Störungen simulieren, die durch ein undichtes Ventil und ein blockiertes Rohr verursacht werden. Dadurch lassen sich auf wirtschaftliche Weise Störungsdaten sammeln, ohne eine physische Ölpumpe aufwändig umbauen oder gar beschädigen zu müssen. Die Generierung von Störungsdaten für die Entwicklung von Predictive-Maintenance-Algorithmen ist daher einer der Vorteile der Investition in digitale Zwillinge.

• Krones nutzt mit Simulink erstellte digitale Zwillinge zur Generierung von Störungsdaten
• Generierung von Störungsdaten für Ölpumpen mithilfe von Simulink

Merkmalsextraktion

Nachdem so die erforderlichen Daten gesammelt sind, werden diese im nächsten Schritt vorverarbeitet und auf eine Reihe von Merkmalen reduziert, die als „Zustandsindikatoren“ verwendet werden können. Diese Zustandsindikatoren erfassen relevante Informationen zum Anlagenzustand. Sie werden in der Regel mithilfe einer Kombination aus statistischen, Signalverarbeitungs- und modellbasierten Techniken extrahiert, die in Analyse- und Entwicklungstools wie MATLAB und Simulink implementiert sind. In dieser Phase der Algorithmen-Entwicklung ist der Input der Maschinenentwickler von zentraler Bedeutung, denn diese kennen ihre Geräte besser als jeder andere.

Die Identifizierung der relevanten Zustandsindikatoren ist der Schlüssel zum Erfolg eines Predictive-Maintenance-Algorithmus. Ingenieure müssen dadurch einen deutlich kleineren Datensatz überwachen, um zu ermitteln, warum sich ihre Anlage exakt so verhält, wie sie es aktuell tut. So generieren beispielsweise kommerzielle Flugzeuge pro Flug knapp ein Terabyte an Daten. Derartig große Datenmengen zu analysieren, ist nicht einfach, weshalb die Merkmalsextraktion immer wichtiger wird. Deren zusätzlicher Vorteil besteht darin, dass die Kosten für die Datenspeicherung und -übertragung erheblich reduziert werden.

• Predictive-Maintenance-Bericht von IMA Italien
• Merkmalsextraktion mithilfe der Diagnostic Feature Designer-App in MATLAB (4:44)

Prädiktive Modelle

Den Unterschied zwischen Predictive-Maintenance-Lösungen und der herkömmlichen zustandsbasierten Überwachung stellen die Machine-Learning- und Deep-Learning-Modelle dar. Diese Modelle nutzen Zustandsindikatoren als Eingaben zur Ermittlung der Ursache einer Anomalie oder zur Vorhersage des Ausfalls einer Anlage. Die zustandsbasierte Überwachung kann zwar Echtzeit-Aktualisierungen liefern, sagt aber nicht den zukünftigen Zustand der Anlage voraus.

Sind Werte der Zustandsindikatoren für verschiedene Störungsarten verfügbar, können Ingenieure und Data Scientists mithilfe überwachter Lernmethoden prädiktive Modelle trainieren, die diese Störungsarten voneinander unterscheiden können. Diese Modelle können dann mit in Betrieb befindlichen Anlagen verbunden werden und dort die Ursachen von Problemen isolieren, welche die Leistung der Anlage beeinträchtigen.

Unüberwachte Lernmethoden eignen sich besser für Anwendungen wie die Anomalie-Erkennung, deren Ziel es ist, von Maschinen gelieferte Zustandsindikatorwerte entweder als „Normalverhalten“ oder als „abnormales Verhalten“ zu klassifizieren. Da unüberwachte Lernmethoden keine gelabelten Trainingsdaten für verschiedene Ausfallmodi erfordern, sind sie bei Ingenieuren beliebt, die zum ersten Mal Algorithmen für die Predictive Maintenance entwickeln.

Zur Berechnung der Restnutzungsdauer (Remaining Useful Life, RUL) einer Maschine kann eine eigene Klasse wahrscheinlichkeits- und zeitreihen-basierter Methoden eingesetzt werden. Diese Modelle erfassen den aktuellen Wert eines Zustandsindikators und schätzen innerhalb eines definierten Konfidenzintervalls, wann das Gerät ausfallen wird. Tatsächlich handelt es sich bei diesen RUL-Modellen um eine Form von digitalen Zwillingen, da sie die allmähliche Degradation einer Betriebsanlage modellieren. Mit Hilfe von Informationen über den Zeithorizont, innerhalb dessen ihre Anlage ausfallen könnte, können Ingenieure die Wartung auf den günstigsten Zeitpunkt legen, Ersatzteile bestellen oder den Betrieb der Anlage einschränken, um ihre Lebensdauer zu verlängern.

• Schätzung der verbleibenden Nutzungsdauer eines Düsentriebwerks
• Schätzung der verbleibenden Nutzungsdauer einer Windturbine

Bereitstellung und Operationalisierung

Eine Lösung für die Predictive Maintenance umfasst mehr als nur die Algorithmen-Entwicklung. Nachdem Sie einen Algorithmus entwickelt haben, muss er in einer Betriebsumgebung wie einem IoT-System (Internet-of-Things) bereitgestellt werden, damit Unternehmen von den Vorteilen wie reduzierten Ausfallzeiten, niedrigeren Instandhaltungskosten und höherer operativer Effizienz profitieren können.

Die Produktionsumgebung, in der dieser Algorithmus ausgeführt wird, muss von unterschiedlichen Betriebsanlagen generierte Daten sicher verwalten und Rechenressourcen je nach Bedarf skalieren, um sicherzustellen, dass die Algorithmen auf den vorhandenen Edge- oder IT-/OT-Systemen so effektiv wie möglich ausgeführt werden. Darüber hinaus muss die Produktionsumgebung mit anderen IT-Systeme wie solchen für die Bestandsverwaltung, die Vergabe von Service-Tickets sowie die Anzeigen integriert sein, denen das für die Anlage verantwortliche Personal die Ergebnisse der Algorithmen entnehmen kann.

Hierbei ist zu beachten, dass Predictive-Maintenance-Algorithmen in diesen Produktionsumgebungen nicht unbedingt nur in der Cloud oder auf lokalen Servern ausgeführt werden. Teile des Algorithmus, insbesondere solche zur Datenvorverarbeitung und Merkmalsextraktion, lassen sich etwa auf Edge-Geräten wie industriellen Steuerungen auswerten, die sich direkt neben der Industrieanlage befinden und die von dieser in hoher Frequenz generierten Daten verarbeiten können. Dadurch lassen sich die Kosten für die Datenspeicherung und -übertragung senken.

• Mithilfe von MATLAB in der Azure Cloud bereitgestellte Predictive-Maintenance-Lösung
• Mithilfe von MATLAB und Spark in der AWS Cloud mit Databricks bereitgestellte Predictive-Maintenance-Lösung

Ingenieure verwenden MATLAB, Simulink und die Predictive Maintenance Toolbox™, um Software für die Zustandsüberwachung und Predictive Maintenance für die IT- und OT-Systeme von Unternehmen zu entwickeln und bereitzustellen.

Dies gestattet Ihnen:

• Den Zugriff auf Streaming- und archivierte Daten über integrierte Schnittstellen zu Cloud-Speichern, relationalen und nicht-relationalen Datenbanken sowie Protokollen wie REST, MQTT und OPC UA.
• Die Vorverarbeitung von Daten und die Extraktion von Merkmalen zur Überwachung des Anlagenzustands durch Signalverarbeitungs-Anwendungen und statistische Methoden.
• Die Entwicklung von Machine-Learning-Modellen zur Isolation der Ursache von Ausfällen und zur Prognose der wahrscheinlichen Zeit bis zum Ausfall sowie der Restnutzungsdauer.
• Die Bereitstellung von Algorithmen und Modellen auf beliebigen Systemen im laufenden Betrieb; die automatische Generierung von C/C++-, HDL-, SPS- oder CUDA-Code für die Bereitstellung auf Embedded Systems oder Edge Devices; die Bereitstellung von Algorithmen in der Cloud in Form von C/C++ Shared Libraries, Webanwendungen, Docker-Containern, .NET-Assemblys, Java^®-Klassen und Python-Paketen.