Predictive Maintenance
Die vorausschauende Instandhaltung (Predictive Maintenance) stützt sich auf Daten zur intelligenten Überwachung des Maschinenverhaltens, um so die Kosten für vorzeitige Maßnahmen zu senken und verhängnisvolle Ausfälle zu vermeiden. Zur Optimierung der Service-Intervalle können Informationen über den Zustand der Geräte aus den Sensordaten abgeleitet werden. Das Ergebnis dieser Vorgehensweise ist ein intelligenterer Betrieb – mit höherer Betriebszeit und niedrigeren Gesamtkosten. MATLAB ist das Tool der Wahl, wenn es darum geht, den Workflow der vorausschauenden Instandhaltung zu implementieren.
Daten-Vorverarbeitung
MathWorks Consultants unterstützen Sie bei der Anwendung von Datenkonsolidierungs-, Bereinigungs- und Signalverarbeitungstechniken, um mit verstreuten, fehlenden und ungültigen Daten sowie mit Ausreißern und Rauschen umzugehen. Das Ergebnis ist ein strukturierter Datensatz, der sich für die Analyse und Modellentwicklung eignet.
Explorative Analyse
Wir bieten Ihnen die Möglichkeit, Ihre Daten effizient und systematisch zu untersuchen, insbesondere in Fällen, in denen die Relation zwischen den Sensormessungen und den Ausgaben, z. B. die Zeit bis zum Ausfall, nicht genau bekannt ist. Mit Tools zur Visualisierung und Datenanalyse wie beispielsweise zur Kurvenanpassung, Systemidentifizierung oder Signalanalyse-Apps lassen sich Hypothesen testen und in kürzester Zeit wichtige Erkenntnisse gewinnen. Zur Vorbereitung auf die Modellentwicklung können ebenso Methoden zur Dimensionalitätsreduktion, Merkmalseinstufung und -auswahl angewendet werden.
Prädiktive Modellierung
Falls Ihre Datenpunkte nicht entsprechend gekennzeichnet sind, unterstützen wir Sie bei der Anwendung unüberwachter Machine-Learning-Ansätze, um Muster und Anomalien in Ihren Messungen zu erkennen. Wir zeigen Ihnen, wie Sie altersbedingte Veränderungen von Messwerten visualisieren und analysieren können, um beispielsweise Alterungskurven im Merkmalsraum abzuleiten. Mit unserer Hilfe identifizieren und visualisieren Sie die in Ihren Daten vorkommenden Cluster und unterstützen Sie bei der Kennzeichnung dieser Kategorien.
Wenn Datenpunkte gekennzeichnet sind, stehen wir Ihnen bei der Erstellung und dem Vergleich einer breiten Palette von Klassifizierungs- und/oder Regressionsmodellen zur Seite, um so die Ursache von Ausfällen zu ermitteln bzw. die Restnutzungsdauer abzuschätzen. Wir unterstützen Sie bei der Validierung und Optimierung des leistungsstärksten Modells und untersuchen mögliche Merkmalstransformationen zur Steigerung der Genauigkeit. Die ausgewählten Merkmale geben Aufschluss darüber, welche Sensoren die aussagekräftigsten Informationen liefern.
Operative Bereitstellung
Nach der Entwicklung eines prädiktiven Modells begleiten wir Sie bei dessen Bereitstellung in der Produktion. Hierfür werden Schwellenwerte und Leistungsmetriken ausgewählt, um Ihre Kontrollverfahren endgültig festzulegen. Anschließend implementieren wir gemeinsam mit Ihnen den automatisch aus Ihren Algorithmen generierten C/C++ und/oder HDL-Code in ein „Smart Device“, einen Mikrocontroller oder ein Telefon. Auch bei der Implementierung von IoT-Analysen – in der Cloud oder vor Ort – stehen wir Ihnen zur Seite.
Unsere MathWorks Consultants beraten Sie zu folgenden Themen:
- Ermittlung geeigneter Verfahren zur Datenvorverarbeitung, Merkmalsauswahl und prädiktiven Modellierung und Anwendung dieser Verfahren auf Ihre Daten
- Weitergabe von Wissen und Best Practices zum Aufbau interner Kompetenzen durch individuell zugeschnittene, projektbezogene Coaching-Sessions
- Umsetzung Ihrer überarbeiteten Verfahren in die Produktionspraxis, um Ihre Instandhaltungs- und Betriebskosten zu senken
„Die Unterstützung durch MathWorks Consulting ist eine der besten, die ich je erlebt habe. Die Berater sind schnell und äußerst kompetent. Wir haben bereits eine positive Rendite aus den eingesparten Kosten und verfügen nun über mehr Budget und Zeit, um weitere Machine-Learning-Projekte mit ähnlichen Vorteilen zum Abschluss zu bringen.“
– Herr Dr. Michael Kohlert, Mondi Gronau GmbH
