Welche Konstellationen von Maschinendaten sind für Störungen und Ausfälle einer Anlage typisch?
Und wie lassen sich mit diesem Wissen zukünftige Probleme vorhersagen?
Dies sind Fragen, die häufig im Kontext der vorausschauenden Wartung („Predictive Maintenance“) fallen. Im Rahmen eines Forschungsprojektes am futureLAB untersuchten Studenten des Bachelor-Studiengangs Wirtschaftsinformatik, Management und IT und ERP-Spezialisten der Firma Asseco Solutions Datensätze eines Asseco-Kunden aus der Aluminiumdruckguss-Branche.
Große Datenmengen die ohne Kontext erfasst werden sind nicht unmittelbar zu nutzen. Nachdem der Aludruckguss-Spezialist dies realisierte stellte er seine Datensätze dem Hochschulprojekt zur Verfügung.
Studenten identifizieren fehlertypische Parameterkonstellationen
Im Zentrum des Data-Science-Projekts, das von Prof. Dr. Joachim Schuler sowie Prof. Dr. Thomas Schuster von der Hochschule Pforzheim initiiert worden war, stand das Ziel, die bestehenden Datensätze auszuwerten und so aufzubereiten, dass nutzbare Erkenntnisse daraus abgeleitet werden können. Hierfür analysierte eine Gruppe von neun Studenten die Betriebsdaten zweier Aludruckgussmaschinen und entwickelte eine Methodik. Die Studenten dokumentierten Fehler wie Lufteinschlüsse, unvollständige Ausfüllung der Gussform oder ungenügendes Aushärten des Aluminiums mit den zugehörigen Schussparametern zu synchronisieren. Das Ergebnis war die Identifizierung und Zuordnung von charakteristische Parameterkonstellationen der knapp 30 Fehlertypen.
Grundlage für KI-Analyse geschaffen
Durch ihre Arbeit haben die Studenten die Grundlage für die Realisierung eines geplanten KI-Systems zur Erkennung von Anomalien geschaffen. So nutzen die KI-Experten der Asseco Solutions die identifizierten Parameterkonstellationen aktuell als Trainingsdaten für ein neuronales KI-Netz. Nach erfolgreichen Training soll dieses Netz in der Lage sein, analog zu den bekannten Mustern weitere, bislang unbekannte kritische Parameterkonstellationen zu entdecken. Indem künftig überwacht wird, ob sich Parameter ungewöhnlich entwickeln und einem kritischen Fehlermuster annähern, soll es möglich werden, sowohl Stillstände als auch Ausschussware vorherzusagen und deutlich zu reduzieren.
Den ausführlichen Artikel findet ihr hier
