›   Demo-Rx: Predictive Maintenance mit R, RStudio, Shiny

Predictive Maintenance ist ein daten­gesteuerter Wartungsprozess, der die herkömmliche Wartung im Industrie 4.0-Umfeld ergänzt und zunehmend ersetzt. Die Predictive Maintenance hat sich zudem als industrielle Anwendung des Machine Learning etabliert und ist ein greifbares Beispiel des Internet of Things.

Die Demo- und Tutorial-Reihe rund um das Thema Predictive Maintenance mit R stellt Umsetzungen zur Bestimmung von Ausfall-Prognose im Rahmen eines Predictive Maintenance-Szenarios dar. Für die Datenanalyse wird die statistische Programmiersprache R mit der Entwicklungsumgebung RStudio verwendet. sowie R Shiny für die Erstellung webbasierter interaktiver Dashboards.

Der Übersichts-Artikel Was ist Predictive Maintenance? - Ein Überblick gibt eine Übersicht über die grundlegenden Konzepte und Basistechnologien der Predictive Maintenance, stellt die Anwendungsbereiche in der Praxis und die Predictive Maintenance-Lösungen einiger Global Player auf dem Markt vor, sowie einen Anwendungsfall aus der Automotive-Industrie, der zeigt, wie die Klassifikation von Ausfällen mit Hilfe eines Modells des überwachten Lernens durchgeführt werden kann.

In Demo3: Predictive Maintenance mit R wird die Datenanalyse am Beispiel eines Automobildatensatzes durchgeführt, mit den ersten drei Schritten: Einlesen der Trainingsdaten, Auswahl der Merkmale und der Vorhersagevariablen und die Erstellen des Entscheidungsbaum-Modells. Die Güte des Vorhersagemodells wird mit Hilfe des Testverfahrens der Kreuzvalidierung bestimmt, dazu werden die Kennzahlen Accuracy, Precision, Recall und AUC zur Beurteilung des Testfehlers herangezogen. Im letzten Abschnitt von Demo3 wird das Entscheidungsbaum-Modell zur Klassifikation verwendet und für die Testdaten eine Vorhersage des Ausfalls anhand deren Merkmalskombinationen durchgeführt.

Die in Demo3 durchgeführten Datenanalyse-Schritte werden in der folgenden Demo zur Datenanalyse mit R in einer interaktive Webanwendung mit Hilfe des R-Paketes Shiny dargestellt.

In Demo 4, Teil 1: Interaktive PredMaintApp wird der Aufbau und der Umgang mit der interativen Shiny-App PredMaintApp zur Vorausschauenden Wartung erläutert.

Dann wird in Demo 4, Teil 2: Erstellung einer interaktiven Shiny-App mit RStudio eine Schritt-für-Schritt-Anleitung zur Erstellung und Ausführung einer Shiny-App in der Entwicklungsumgebung RStudio vorgestellt.

Und schließlich enthält Demo 4, Teil 3: Interaktive PredMaintApp die Shiny-App, die eine interaktive Benutzereingabe bzgl. der Erstellen des Entscheidungsbaum-Modells, der Verwendung des Modells zur Klassifikation und der Modell-Validierung ermöglicht.

Autoren, Tools und Quellen

Autoren:
 Prof. Dr. Eva Maria Kiss
 M.Sc. Anke Welz

Tools:
R, RStudio, Shiny Apps

Quellen und Links:
R-Tutorial Teil 1: Variablen, Vektoren, Matrizen, regelmäßigen Folgen
R-Tutorial Teil 2: Kontrollstrukturen und Funktionen
R-Tutorial Teil 3: Grafiken, Zufallszahlen und -stichproben
Was ist Predictive Maintenance? (elab2go)
Predictive Maintenance: Die Datenanalyse (elab2go)
Predictive Maintenance: Die Performance und die Kreuzvalidierung (elab2go)
Demo 3: Predictive Maintenace mit R (elab2go)
Demo 4: Interaktive PredMaintApp (elab2go)
R-Dokumentation im Comprehensive R Archive Network (CRAN)
Shiny-Anleitung in RStudio