Was ist Predictive Maintenance? - Ein Überblick

Die Digitalisierung der Industrie führt dazu, dass industrielle Automatisierungsprozesse immer dynamischer und komplexer werden. Einer der betroffenen Prozesse ist die Wartung von Maschinen und Anlagen, wo die reaktive und präventive Wartung zunehmend ersetzt wird durch Predictive Maintenance, eine "vorausschauende" Wartung, die eine Vorhersage des Ausfalls zum Ziel hat und sich dabei neuester IoT-, Cloud- und Machine Learning-Technologien bedient.

Im folgenden geben wir eine Übersicht über die grundlegenden Konzepte und Basis­technologien der Predictive Maintenance, stellen 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. Es folgt eine kurze Übersicht über die elab2go-Demonstratoren und -Apps, die die Datenanalyse im Rahmen der Predictive Maintenance veranschaulichen.

  Motivation

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 zugrundeliegende Idee ist einfach: Maschinen und Anlagen werden mit Sensoren ausgestattet, die erfassten Messwerte werden am Gerät oder in der Cloud mit Algorithmen des Maschinellen Lernens ausgewertet, die mit einer festgelegten Wahrscheinlichkeit vorhersagen, ob ein Ausfall eintreten wird oder nicht. Umso mehr Daten vorliegen, umso besser lernt das Vorhersagemodell. Die Umsetzung erscheint zunächst komplex und erfordert Expertenwissen in verschiedenen Disziplinen: Kommunikationsstandards für Industrie 4.0 und IoT, verteilte Software-Architekturen, Machine Learning-Verfahren, Sicherheit in vernetzten Systemen.

Beim Einstieg in des Thema stellen sich eine Reihe von Fragen: Welche Maßnahmen sind zur Durchführung des Predictive Maintenance erforderlich und welche Methoden des Maschinellen Lernens kommen zum Einsatz? Wie aufwendig ist die Einführung, lohnt sich der Einsatz? Und weiter: In welchen Bereichen werden in der Praxis Predictive Maintenance-Lösungen eingesetzt und was bieten die entsprechenden Lösungen der Global Player?

  Übersicht

Der Übersichts-Artikel ist in sieben Abschnitte gegliedert. Zunächst wird der Begriff Predictive Maintenance genauer definiert und die Predictive Maintenance aus Prozess- und Systemsicht betrachtet. Im zweiten Abschnitt erläutern wir die Komponenten einer High-Level-Architektur für Predictive Maintenance und im dritten Abschnitt gehen wir genauer auf die fünf Schritte des Prozesses ein. Danach werden einige Anwendungsbereiche aus der Praxis beschrieben, der Entscheidungsbaum als passendes Machine Learning-Modell wird vorgestellt, sowie die elab2go-Demonstratoren, die die Datenanalyse im Rahmen der Predictive Maintenance veranschaulichen.

Was ist Predictive Maintenance?

Bei herkömmlichen Arten der Wartung unterscheidet man zwischen Reactive Maintenance, d.h. Instandhaltung bei Eintritt eines Ausfalls, und Preventive Maintenance, d.h. regelmäßige Überprüfung der Maschine, ungeachtet dessen, in welchem Zustand sie sich befindet.

Was versteht man nun unter Predictive Maintenance bzw. "Vorausschauender Wartung"? Wodurch unterscheidet sie sich von anderen Formen der Wartung? In der Fachliteratur, z.B. in dem Buch von Levitt [2], wird die Predictive Maintenance folgendermaßen beschrieben:

"Predictive Maintenance ist eine Wartungsaktivität, die darauf abzielt, anzuzeigen, wo eine Maschine sich auf der kritischen Verschleißkurve befindet und ihre Nutzungsdauer vorherzusagen."

Diese High-Level-Definition spezifiziert noch keinen bestimmten Ablauf oder einzusetzende Technik, zeigt jedoch den wichtigsten Aspekt der Predictive Maintenance auf: die Fähigkeit, einen Ausfall oder Wartungsbedarf vorherzusagen. Die folgende Definition präzisiert die wesentlichen Aspekte der Predictive Maintenance und entspricht dem, wie Predictive Maintenance in der Industrie umgesetzt wird.

Predictive Maintenance ist ein Wartungsprozess, der auf der Echtzeit-Erfassung und automatisierten Auswertung von Maschinendaten basiert, und darauf abzielt, die Nutzungsdauer einer Maschine vorherzusagen und entsprechende Instandhaltungs-Maßnahmen zu veranlassen.

Diese präzisere Definition zeigt den Unterschied zu Preventive Maintenance auf, der darin besteht, dass bei der Vorausschauenden Wartung die Maschine gezielt nur aus dem Betrieb genommen und gewartet wird, wenn die aktuellen Auswertungen einen Anlass melden.

Predictive Maintenance: Die Prozess-Sicht
Predictive Maintenance als datengesteuerte Wartung kann zunächst als ein einfacher Prozess in fünf Schritten betrachtet werden: 1. Fragestellung, 2. Datenerhebung, 3. Datenbereinigung, 4. Datenanalyse, 5. Antwort / Lösung.

Predictive Maintenance: Die System-Sicht
In der Praxis muss der Predictive Maintenance-Prozess weitere Anforderungen erfüllen. Datenerhebung und Datenübertragung von der Maschine in die Cloud sollen effizient und sicher erfolgen. Die Datenanalyse muss nicht nur genau, sondern auch performant sein und möglichst zeitnah Vorhersagen liefern. Die Umsetzung des Prozesses in ein IT-System muss daher eine Reihe komplexer technischer Aspekte berücksichtigen. Es stellt sich die Frage nach der Auswahl der Komponenten und deren Zusammenspiel in jedem Schritt. Soll z.B. die Datenbereinigung und Datenanalyse in Echtzeit schon in einem Edge-System am Gerät passieren (was die Kommunikationswege weniger belastet) oder erst auf dem Server, wo mehr Speicher zur Verfügung steht? Diese Fragen kann die Architektur des Predictive Maintenance-Systems beantworten.

High-Level-Architektur eines Predictive Maintenance-Systems

Die dargestellte vereinfachte High-Level-Architektur gibt einen Überblick über die Komponenten des Predictive Maintenance-Systems und deren Zusammenspiel, vgl. [3]. Die Schritte des Predictive Maintenance-Prozesses sind rot eingezeichnet, die Teilaufgaben bzw. Funktionalität der Komponenten (z.B. "Datenbereinigung") sind in Rechtecke gesetzt.

Ein Predictive Maintenance System wird in der Regel als eine Software-orientierte Architektur umgesetzt. Das System besteht aus einem Edge-System, einem Cloud-System, Datenquellen und Clients, mit jeweils festgelegten Teilaufgaben.

Bei der Datenerhebung werden zwei Kommunikationsprotokolle eingesetzt, Message Queuing Telemetry Transport (MQTT) und Constrained Application Protocol (CoAP), sowie eine vereinheitlichende Architektur, OPC Unified Architecture (OPC UA), die zusammen den standardisierten herstellerunabhängigen Datenaustausch im industriellen Umfeld ermöglichen. Beide Protokolle sind sicher: Teilnehmer werden durch X.509 Zertifikate eindeutig identifiziert, die übertragenen Daten können verschlüsselt werden.

Die beiden Kommunikationsstandards MQTT und OPC-UA können grundsätzlich zusammen betrieben werden, jedoch entscheidet man sich in der Praxis oft für das eine oder andere System, abhängig von der schon vorhandenen Infrastruktur und der Art der zu erhebenden Datenquellen. Sind die Datenquellen z.B. Steuerungen, die schon viele Daten speichern und auch auswerten können, wird eher OPC-UA eingesetzt. Sind die Datenquellen jedoch vor allem Sensoren, die ihre Messwerte zu beliebigen Zeiten in die Cloud übertragen, ist MQTT der bessere Wahl.

Die Schritte Datenbereinigung und Datenanalyse werden mit Methoden und Algorithmen der Statistik und des Machine Learning durchgeführt. Ein passendes Modell für die Klassifikation von Ausfällen ist der Entscheidungsbaum oder Random Forests als dessen Erweiterung, hier werden relativ wenig Ressourcen benötigt. Für Zeitreihenanalysen können verschiedene Regressions-Modelle eingesetzt werden, oder auch künstliche Neuronale Netzwerke, hier ist die Trainingsphase aufwendiger. Diese Schritte können teilweise schon im Edge-System implementiert werden, wo sie jedoch unter Echtzeit-Einschränkungen und mit weniger Ressourcen ausgeführt werden müssen. Dies schränkt die Wahl der möglichen Sprachen und Bibliotheken ein und hat ggf. auch Auswirkungen auf die Genauigkeit der Vorhersage. Alternativ kann die Datenanalyse auf den schon aufbereiteten Daten im Cloud-System erfolgen. Dies hat den Vorteil, dass jede der gängigen Programmiersprachen für Statistik und Maschinelles Lernen eingesetzt werden kann, um das bestmögliche Prognosemodell zu entwickeln.

Predictive Maintenance - ein Prozess aus 5 Schritten

Die genauen Schritte zur Beantwortung einer Frage im Rahmen von Predictive Maintenance mittels Datenerhebung und -verarbeitung, Analyse und die Formulierung einer verständlichen Antwort werden als Prozess aus 5 Schritten dargestellt: Der Fragestellung, der Datenerhebung, der Datenbereinigung, der Datenanalyse und der abschließenden verständlichen Antwort.


Die Schritte 1, 2 und 5 erfolgen in enger Absprache zwischen der Fachabteilung, die durch vorausschauende Wartung Ausfallzeiten und Kosten verringern will, und dem Experten ("Daten-Analysten"), der Tools und Algorithmen des maschinellen Lernens kennt.

Schritt 1: Die Fragestellung

Asking Der Besitzer einer produzierenden Anlage hat hohe Reparaturkosten, die im schlimmsten Fall zu Produktionsausfällen und Lieferengpässen führen. Er sucht ein Verfahren, das frühzeitig vor dem Ausfall einer Maschine warnt und somit Ausfallzeiten und Kosten niedrig hält.

Entweder ist das Bauteil, das die Schwachstelle in der Produktionskette darstellt, bekannt und soll konkret überwacht werden oder die komplette Anlage soll auf eine mögliche Ausfall beobachtet werden. Durch eine gezielte Überwachung des Gesamt- oder eines Teilsystems der Anlage kann frühzeitig gewartet oder ausgetauscht werden.

Es wird eine konkrete Fragestellung formuliert, z.B. Wann sollte ein Bauteil ausgewechselt werden? Um diese Frage mittels Verfahren der Predictive Maintenance zu beantworten müssen nun im nächsten Schritt Daten erhoben werden.

Schritt 2: Datenerhebung

sensor Die Anlage oder das betreffende System wird mit Sensoren ausgestattet, die die nötigen Werte (physikalisch, elektrisch, akustisch, mechanisch usw. [1]) an den entsprechenden Bauteilen erfassen und speichern. Dabei wird auch erfasst, ob die Bauteile defekt sind und ausgetauscht wurden, oder ob sie noch funktionsfähig sind, diese Informationen stammen auch Protokollen, bereits durchgeführten Wartungen und Inspektionen [1]. Wenn die Datenerhebung über einen längeren Zeitraum erfolgt ist, stehen genügend Daten zur Verfügung um zum nächsten Schritt zu kommen.

Der zweite Schritt des Predictive Maintenance-Prozesses, die Datenerhebung, wird durch Hardware-Komponenten durchgeführt, die entweder schon in die Bauteile integriert sind oder nachträglich angeschlossen werden. Die grundlegende Funktionsweise der Datenerhebung, insbesondere auch der Aufbau einer Hardwarekomponente und die Datenübertragung an einen Server, werden in Demo 1: Sensordaten beschrieben.

Die erfassten Sensordaten werden in tabellarischer Form als Dateien (csv, json, xml) oder in einer Datenbank hinterlegt und stehen dann für die Datenanalyse zur Verfügung. In der Sprache des Datenanalysten sind die Sensordaten Beobachtungen, die einen Datensatz bilden.


Schritt 3: Datenbereinigung

cleaning Erfahrungsgemäß müssen die gesammelten Daten nun von denen bereinigt werden, die z.B. Fehlmessungen oder nicht vollständige Messungen darstellen. Dies erfolgt als Vorarbeit der Datenanalyse und der Analyst bedient sich dabei statistischer Verfahren.

Zur Datenbereinigung werden je nach Qualität und Verwendung der Daten Verfahren zur Daten-Normalisierung und -Transformation, sowie Verfahren zum Umgang mit fehlenden Werten, Ausreißern und unbalancierten Daten und das Feature Engineering angewandt ([1], [9]). Denn nur auf diese Weise bereinigte und für die Datenanalyse optimierte Datensätze haben einen hohen Informationsgehalt und die Modelle basierend auf bereinigten Datensätzen sind dementsprechend angemessener und genauer [9].

Schritt 4: Datenanalyse

thinkingBrain Auf die bereinigten Daten wird nun die Datenanalyse mit Hilfe von Algorithmen und Verfahren des maschinellen Lernens angewandt, um die Fragestellung aus Schritt 1 zu beantworten. Dabei können statistische Modelle, z.B. Entscheidungsbäume, zur Lösung führen, dieses Modell entspricht einem binären Klassifikator, der die beiden Vorhersagen "normaler" oder "anormal" Zustand bzw. "Ausfall Ja" oder "Ausfall Nein" liefert. Auch ein Abweichen von der Norm eines Messwertes kann auf einen Ausfall des Bauteils hinweisen und dient somit der Predictive Maintenance als Analyseverfahren [1].

Mit Hilfe von Testverfahren wie der Kreuzvalidierung werden Kennzahlen (Vertrauenswahrscheinlichkeit, Genauigkeit) bestimmt, mit deren Hilfe man die Güte des Vorhersagemodells bewerten kann. Hinsichtlich der Vorhersage eines Ausfalls spielt neben der Güte des daten-gesteuerten Modells auch der Vorhersagehorizont bzw. die Vorlaufzeit bis zum Ausfall eine entscheidende Rolle. Das Modell sollte genau genug sein um verwendbare Vorhersagen zu tätigen, aber auch genug Vorlaufzeit bieten um notwendige und sinnvolle Maßnahmen zur Fehlerbehebung einzuleiten [1].

Am Ende von Schritt 4 wird auf Basis von Abweichungen von der Norm von Kennzahlen, Vorhersagen aus daten-gesteuerten dynamischen Modellen oder Schwellwerten für die Eintrittswahrscheinlichkeit die Frage nach einem Ausfall eines Bauteils beantwortet.

Mehr Details sind unter Predictive Maintenance: Datenanalyse zu finden.

Exkurs: Die Kreuzvalidierung - ein Mittel der Performancebestimmung

Im ersten Teil von Schritt 4 - Datenanalyse des Predictive Maintenance-Prozesses wird ein Vorhersagemodell für vorhandene Datensätze ausgearbeitet, in unserem Fall für einen Datensatz aus Sensordaten ein Modell, das vorhersagt, bei welcher Kombination von Sensorwerten ein Ausfall eines Bauteils oder einer Maschine zu erwarten ist.

Wir stellen uns nun die Frage, wie gut ein Vorhersagemodell überhaupt ist.
Ein gutes Vorhersagemodell sollte nicht nur fehlerhafte Zuordnungen in schon bekannten Beobachtungen vermeiden, sondern auch aus den bekannten historischen Beobachtungen Vorhersagen für zukünftige Datensätze mit einer gewissen Sicherheit treffen können.

Zur Bewertung eines Modells werden deshalb verschiedene Kennzahlen zum Testfehler bestimmt. Liegen diese Kennzahlen in einem vorher festgelegten, akzeptablen Bereich? Wenn ja, dann ist das Modell gut, d.h. wir können uns auf die Vorhersage durch das Modell verlassen.
Zur Bestimmung der Kennzahlen wird das Testverfahren der Kreuzvalidierung angewandt, ein klassisches Verfahren der Statistik bzw. Datenanalyse, das als Datenbasis für die Validierung den vorhandenen Originaldatensatz verwendet, also daten-gesteuert ist.

Mehr Details sind unter Predictive Maintenance: Performance zu finden.

Schritt 5: Die Antwort/Lösung

ampelSystem Die Ausgabe der Analyse-Software (z.B. MATLAB, RapidMiner, Python- oder R-Tools) wird nun von dem Analysten in eine verständliche Antwort übersetzt und ein für das Unternehmen leicht anwendbares Wartungssystem entwickelt. Es kann z.B. ein Ampelsystem entstehen, das je nach Zustand des Bauteils die Farbe grün/gelb/rot anzeigt. Grün steht für die Funktionsfähigkeit, Gelb für die Beobachtung und Rot für den empfohlenen Austausch des Bauteils. Es ist aber auch ein Kategorisierung des vorhergesagten Ausfalls in "katastophal", "kritisch", "geringfügig" und "unerheblich" möglich, als Ergebnis aus einer vorhergesagten Kennzahl und der Interpretation deren Abweichung von der Norm [1].

Die dann anstehenden notwendigen und sinnvollen Maßnahmen, z.B. Wartungen, können so besser geplant werden und führen nicht mehr zu einem außerplanmäßigen Ausfall der Anlage und Produktionsstillständen [1]. Zusätzlich kann der aktuelle Zustand eines Bauteils regelmäßig überwacht werden (siehe auch Schritt 6: Update) und es kommt weniger zu verfrühten und unnötigen, rein kostenverursachenden Wartungsmaßnahmen.

Lohnt sich der Einsatz? - Die Vorteile

Durch die Vorausschauende Wartung lassen sich ungeplante Maschinenausfälle vermeiden und Ressourcen für Instandhaltungsarbeiten besser planen, dies verringert Kosten und verbessert die Produktivität der Maschinen.

Zahlen und Fakten zu den Vorteilen des Predictive Maintenance:
Laut des 2015 erschienen Reports der World Economic Forums lassen sich Ausfälle bzw. Stillstände mittels der Predictive Maintenance um bis zu 70% reduzieren und durch frühzeitige Wartungsarbeiten lassen sich 30% an Kosten einsparen. [WEF] Die Roland-Berger-Studie von April 2017 besagt, dass mittels Predictive Maintenance nur noch 15 % der Zeit mit Wartung verbracht wird, im Gegensatz zur „reaktiven“ Wartung (Reparatur erst bei Eintritt des Ausfalls) dort liegt die Stillstandzeit bei 40%. [ROL]

Durch die andauernde Überwachung (Monitoring des Systems) mittels der zur Datenerhebung (Schritt 2 der Predictive Maintenance) bereits installierten Sensoren (zur Erstellung des digitalen Klons) kann das Wartungssystem stetig verbessert und immer individueller an die zu überwachende Anlage angepasst werden, was präzisere Vorhersagen ermöglicht.

Die Überwachung einer Anlage/eines Bauteils durch einen Techniker mittels bereits installierter Sensoren und die Anzeige des aktuellen Zustands der Anlage/des Bauteils mit Hilfe des entwickelten Wartungssystems ist eine mögliche Lösung im Kontext Predictive Maintenance, alternativ kann auch ein Ampelsystem der Überwachung des aktuellen Zustands der Anlage dienen.

Das ständige Monitoring kann als Erweiterung des Prozesses um einen 6. Schritt: Updates verstanden werden.

Schritt 6: Update

Alarm Durch die andauernde Überwachung (Monitoring des Systems) mittels der zur Datenerhebung bereits installierten Sensoren kann das Wartungssystem durch Verbessung des daten-gesteuerten Analysemodells stetig verbessert und immer individueller an die zu überwachende Anlage angepasst werden (Updates), was präzisere Vorhersagen ermöglicht.

Neben der Modellverbesserung können auch innerhalb des zu überwachenden Systems durch Feedbackschleifen, die auf Qualitätskennziffern beruhen [1], Systemanpassungen durchgeführt werden, die zu einer Steigerung der Produktivität führen.

Anwendungsbereiche aus der Praxis

Die Anwendungsbereiche in der Praxis sind umfangreich und stellen für mögliche Predictive Maintenance-Lösungen verschiedene Herausforderungen dar.

Predictive Maintenance-Lösungen auf dem Markt

Auf dem globalen Markt gibt es viele Anbieter von IoT-Anwendungen, die Smart-Factorys entstehen lassen, d.h. digitale vernetzte Zwillinge eines Unternehmens. Im nächsten Schritt können die damit erfassten Daten mittels der Predictive Maintenance zur Analyse und Vorhersage verwendet werden. Neben der Installation der Sensoren bieten viele Dienstleister auch Predictive Maintenance-Lösungen unter verschiedenen Produktnamen und Bausteinen an. Nach dem Ranking von IoT Analytics aus dem Jahr 2017 befinden sich unter den Top 20 der Predictive Maintenance-Lösungen drei deutsche Unternehmen unter den Top 7. [10]

Hier nun eine Auswahl an Predictive Maintenance-Lösungen auf dem globalen Markt:

Der Entscheidungsbaum - eine Anwendung

Der Entscheidungsbaum ist ein intuitiv nutzbares Klassifikationsmodell, das für den Einstieg besonders geeignet ist, da es eine Visualisierung der Klassifikation bzw. der hierarchisch aufeinanderfolgenden Entscheidungen ermöglicht. Ein Entscheidungsbaum besteht aus einer Wurzel, Kindknoten und Blättern, wobei jeder Knoten eine Entscheidungsregel und jedes Blatt eine Antwort auf die Fragestellung darstellt. Um eine Klassifikation eines einzelnen Datenobjektes abzulesen, geht man vom Wurzelknoten entlang des Baumes abwärts. Bei jedem Knoten wird ein Merkmal abgefragt und eine Entscheidung über die Auswahl des folgenden Knoten getroffen. Dies wird so lange fortgesetzt, bis man ein Blatt erreicht. Das Blatt entspricht der Klassifikation.

Beispiel: Entscheidungsbaum

Der Entscheidungsbaum für unser Mini-Beispiel gibt z.B. eine Antwort auf die Frage, bei welcher Kombination von Werten für die Merkmale temp und druck das das Gerät ausfallen wird.

Baum aus dem ID3

Interpretation

Als Eingabe benötigt der Baum eine Beobachtung, d.h. eine Kombination von Merkmalen, z.B. {temp=hoch, druck=hoch}.

Wir fangen bei der Wurzel an und wenden die Regeln des Baumes an, wobei an jedem Knoten ein Attribut des Baumes abgefragt wird. Erste Frage: ist temp hoch oder normal? temp ist hoch, also gehen wir nach links. Zweite Frage: Ist druck hoch oder normal? druck ist hoch also gehen wir nach links. Hier haben wir die Eingabe abgearbeitet und sind an einem Blatt angekommen. Die Antwort lautet: ja, d.h. bei dieser Eingabe tritt ein Ausfall ein.



Die Rolle des Entscheidungsbaums in Predictive Maintenance-Lösungen

Es gibt verschiedene Algorithmen des Maschinellen Lernens, die zur Predictive Maintenance herangezogen werden, siehe Maschinelles Lernen: Konzepte, Methoden Tools oder auch in [4], einer dieser Algorithmen ist der Random Forest. Wie der Name schon besagt, handelt es sich um einen Wald aus Bäumen, genauer gesagt aus Entscheidungsbäumen, wie die oben Beschriebenen. Durch das Ziehen einer zufälligen Stichprobe und einer Auswahl zufälliger Merkmale (zufällige Trainingsdaten) entsteht der klassische Entscheidungsbaum [8]. Aber nicht nur einer, sondern gleich mehrere, also ein zufälliger Wald (Random Forest) von Bäumen treffen eine Vorhersage für die zufälligen Testdaten, die endgültige Vorhersage erfolgt im einfachsten Fall durch die Mehrheitsbildung, andere komplexere Algorithmen zur endgültigen Vorhersage sind aber sinnvoll, der beste Algorithmus kann mittels Performance-Kennzahlen bestimmt werden. Der in den Demos vorgestellte und zur Vorhersage verwendete Entscheidungsbaum stellt somit den Grundbaustein für den komplexeren Algorithmus des Random Forest und somit für eine in der Praxis verwendete Methode zur Predictive Maintenance dar.
Random Forest

Mehr zu Entscheidungsbäumen: Demo2 bis Demo5 und Demo-PY4

Wir verwenden als Anwendungsfall für die Klassifikation mit Hilfe eines Entscheidungsbaum-Modells einen Automotivedatensatz, der in allen Demos des Predictive Maintenance-Zyklus verwendet wird: eine csv-Datei automotive_data.csv mit 140 Beobachtungen. Jede Beobachtung bzw. Zeile hat insgesamt 24 Spalten, von denen 22 Spalten Sensorwerte enthalten und die Merkmale der Datenanalyse darstellen. Zielvariable ist die Spalte "Ausfall". Die Fragestellung lautet: "Bei welcher Kombination von Merkmalen tritt ein Ausfall ein?". Dies entspricht einem Klassifikationsproblem mit zwei Klassen, nämlich der Klasse "Ausfall=ja" und der Klasse "Ausfall=nein".

Die Ausfall-Prognose für den Automotive-Datensatz mit Hilfe des Entscheidungsbaum-Verfahrens wird mit Hilfe verschiedener Sprachen und Tools veranschaulicht, siehe den folgenden Abschnitt.

elab2go - Demonstratoren

Für die Anwendung von Machine Learning-Algorithmen zur Predictive Maintenance werden aktuell im Wesentlichen drei Sprachen mit den dazu passenden Entwicklungsumgebungen verwendet, die Programmbibliotheken mit vergleichbarer Funktionalität anbieten: R, Python, MATLAB.
Ein Klassifikationproblem kann mit Hilfe eines Entscheidungsbaum-Modells in jeder der drei Sprachen umgesetzt werden. Die Unterschiede bestehen darin, mit welchem Algorithmus der Entscheidungsbaum in der jeweiligen Sprache umgesetzt ist, welche Konfigurationsparameter eingestellt werden können, wie gut die Visualisierung ist.

Weitere Tools wie z.B. RapidMiner bieten spezialisierte Oberflächen für Endanwender ohne Programmierkenntnisse, die die Verfahren des maschinellen Lernens einsetzen wollen. Ein Prozess kann aus Bausteinen zusammengeklickt und konfiguriert werden. Das ist einfach und benutzerfreundlich, auch für Anfänger.

Unter Sprachen und Frameworks für Maschinelles Lernen finden Sie mehr Informationen.

Im folgenden sind unsere Demos zur Predictive Maintenance aufgeführt:

Demo 2: Predictive Maintenance mit RapidMiner
verwendet als Datenanalyse-Tool RapidMiner und stellt die Datenanalyse mit Bausteinen dar.
Demo 3: Predictive Maintenace mit R
zeigt den Einsatz der statistischen Programmiersprache R.
Demo 4: Interaktive PredMaintApp
zeigt den Aufbau und die Verwendung einer interaktiven Shiny-App zur Predictive Maintenance.
Demo 5: Predictive Maintenace mit MATLAB
zeigt den Einsatz der Sprache MATLAB und den Umgang und die Erstellung eines Live Scripts zur Predictive Maintenance.
Demo-PY4: Predictive Maintenance mit scikit-learn
beschreibt die Datenanalyse mit Hilfe der Python-Bibliothek scikit-learn in einem Juypter Notebook.

Autoren, Tools und Quellen

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

elab2go Links:

Quellen und weiterführende Links:

[1] E. Lughofer, "Predictive Maintenance in Dynamic Systems Advanced Methods, Decision Support Tools and Real-World Applications", Springer Nature Switzerland AG 2019, ISBN 978-3-030-05645-2 (eBook)
[2] J. Levitt, "Complete guide to preventive and predictive maintenance", 2. ed. New York, NY: Industrial Press, 2011.
[3] P. Panfilov, A. Katona, "Building Predictive Maintenance Framework for Smart Environment Application Systems", 2018, doi: 10.2507/29th.daaam.proceedings.068.
[4] I. Tessaro, V.C. Mariani, L.d.S. Coelho, "Machine Learning Models Applied to Predictive Maintenance in Automotive Engine Components." Proceedings 2020, 64, 26. https://doi.org/10.3390/IeCAT2020-08508
[5] F. Balouchi, A. Bevan and R. Formston, "Detecting railway under-track voids using multi-train in-service vehicle accelerometer," 7th IET Conference on Railway Condition Monitoring 2016 (RCM 2016), 2016, pp. 1-6, doi: 10.1049/cp.2016.1194.
[6] K. Sivalingam, M. Sepulveda, M. Spring and P. Davies, "A Review and Methodology Development for Remaining Useful Life Prediction of Offshore Fixed and Floating Wind turbine Power Converter with Digital Twin Technology Perspective," 2018 2nd International Conference on Green Energy and Applications (ICGEA), 2018, pp. 197-204, doi: 10.1109/ICGEA.2018.8356292.
[7] P. Korvesis, S. Besseau and M. Vazirgiannis, "Predictive Maintenance in Aviation: Failure Prediction from Post-Flight Reports," 2018 IEEE 34th International Conference on Data Engineering (ICDE), 2018, pp. 1414-1422, doi: 10.1109/ICDE.2018.00160.
[8] L. Breiman, "Random forests. Mach. Learn." 45(1), 5–32, 2001, https://doi.org/10.1023/A:1010933404324
[9] C. Cernuda, "On the relevance of preprocessing in predictive maintenance for dynamic systems", Chapter 3, p. 53-94 in [1], 2019, PDF-Download-Link
[10] K.L. Lueth, "The Top 20 Companies Enabling Predictive Maintenance", "Predictive Maintenance Companies Landscape 2019", Artikel von iot-analytics.com, 2017/2019.

[MQTT] MQTT Spezifikation, Eclipse Mosquitto MQTT Broker, HiveMQ MQTT-Broker
[COAP] Wikipedia-Artikel "Constrained Application Protocol", RFC7252 Standard
[OPC] OPC Foundation: OPC Unified Architecture, Was ist OPC-UA? (opc-router.de), Kepware OPC-UA Server
[IBM] IBM Maximo
[HIT] Hitachi MRI - Case Studies
[SIE] Siemens Predictive Services
[TEL] Telekom Predictive Maintenance – 360 Grad-IoT Lösung
[BOS] Bosch Predictive Maintenance, Bosch Predictive Maintenance: Rexroth - Zustandsbasierende Wartung bei Hydraulik-Prüfständen
[ROL] Roland-Berger-Studie, April 2017, PDF-Download-Link
[WEF] Report des World Economic Forums 2015, PDF-Download-Link