Predictive Maintenance: ein Praxisbericht für Großindustrieanlagen

Durch Ausfälle von Großindustrieanalgen erlitt unser Kunde einen erheblichen wirtschaftlichen Schaden. Um diese Störfälle frühzeitig zu erkennen, entwickelten wir gemeinsam eine Predictive-Maintenance-Lösung. Hierfür werden Anomalien in Sensordaten durch eine Modellierung von erwarteten physikalischen, thermodynamischen Interaktionen der einzelnen Maschinenkomponenten detektiert.

Einerseits kann dadurch der Gesundheitszustand der Industrieanlagen kontinuierlich analysiert und fehlerhafte Zustände frühzeitig erkannt werden. Andererseits erlaubt dies Predictive Maintenance auch bei geringer Anzahl und hoher Diversität von Ausfällen, was mit klassischen Musterkennungsansätzen nicht möglich ist.

Vorkenntnisse
Der Zuhörer sollte Interesse für den Nutzen von Predictive-Analytics-Methoden in der Industrie mitbringen. Grundkenntnisse in der Arbeit mit großen Datenmengen sind von Vorteil.

Lernziele
Dem Zuhörer werden die Möglichkeiten und Probleme des Einsatzes von Predictive-Maintenance-Lösungen in der Praxis vermittelt. Ein spezieller Fokus liegt darauf, wie durch Integration von Expertenwissen und Predictive-Analytics-Methoden Mehrwert für Unternehmen geschaffen werden kann. Dabei wird insbesondere ein kontinuierlicher Ansatz im Gegensatz zu verbreiteten Ansätzen der Mustererkennung vorgestellt.

// Rico Knapper

arbeitete als wissenschaftlicher Mitarbeiter, Abteilungsleiter und Bereichsleiter am FZI Forschungszentrum Informatik in Karlsruhe. Im Jahr 2016 war er einer der Mitgründer der "anacision GmbH // an EXXETA company" und ist derzeit als deren Chief Data Scientist in verschiedenen Data-Science-Projekten mit unterschiedlichen Industriekunden beteiligt.