Predictive-Maintenance-Modelle beschreiben die vorausschauende Wartung, die sich aus Daten und Automatisierungsprozessen zusammensetzt. In der Digitalisierung sind solche Modelle ein häufiges Instrument. Maschinen sollen kontinuierlich überwacht werden, und darauf aufbauend sollen der Betrieb und die Wartungsintensität optimiert werden. Unternehmen können die geforderten Machine-Learning- Algorithmen, auch lernfähige Modelle genannt, selbst entwickeln. Bei diesem Vorhaben sollten sie darauf achten, alle Mitarbeiter miteinzubeziehen und ihnen die Schritte genauestens zu erklären.
Für das Machine Learning müssen Unternehmen die gesammelten Messdaten automatisch interpretieren. Aus den Daten lassen sich durch mathematische Methoden funktionale Zusammenhänge ableiten. Solche Zusammenhänge sollen die jeweiligen Anforderungen abdecken und für das Erreichen des Ziels, eine Zustandsdiagnose und Vorhersage zu erstellen, helfen. Die Vorhersage bezieht sich auf die nutzbare Restlebensdauer, das Remaining Useful Life (RUL).
Was bringen Predictive-Maintenance-Modelle?
Der Nutzwert für Unternehmen ist klar: Die Modelle sind lernfähig. Das heißt, die vorausschauende Wartung wird nicht nur automatisiert, sondern Unternehmen können auch adäquat auf Veränderungen im Verhalten der Maschinen und in den Rahmenbedingungen reagieren. Wartungsvorgänge und Wartungsintervalle sowie Ersatzteilhaltung lassen sich so an die jeweils aktuellen Bedingungen anpassen. Gleichzeitig können Abweichungen frühzeitig erkannt und behandelt werden.
Wenn sich Unternehmen für ein Predictive-Maintenance-Projekt unter Einsatz von Machine Learning entscheiden, müssen sie zunächst die Maschinen mit Sensoren bestücken und schließlich vernetzen. Falls das schon vor dem Projektstart passiert, profitieren Unternehmen davon in Form von mehr Daten. Danach steht die Dateninventur an. Das Projektteam muss wissen, welche Daten vorhanden sind. Das können zum Beispiel sein: Zustands-/Messdaten der Maschine, unstrukturierte Daten und statische Eigenschaften. Wichtig ist, in welcher Form die Daten gesammelt werden und vorhanden sind und wie vollständig sie sind. Handelt es sich also zum Beispiel um eine konstante Messreihe?
Für die Datenaufbereitung müssen Arbeitgeber beachten, dass sie die richtigen Mitarbeiter einsetzen und ihnen genügend Zeit geben. Mitarbeiter müssen die Datensätze reinigen, falsche Werte löschen und fehlende Werte auffüllen.
Arbeitgeber sollten Mitarbeiter Zeit geben
Vorhandene Service- und Reparaturdaten können beim Machine Learning sehr wertvoll sein. Antworten auf die Fragen „Wie ist welche Maschine wann ausgefallen?“ oder „Was war defekt und was wurde repariert?“ bieten Hinweise darauf, was „kaputt“ im Einzelfall bedeutet. Anschließend werden die Servicedaten priorisiert, um zu sehen, welche Messwerte häufig zu einem Versagen der Maschine führen. Nach der Bewertung geht es dann im nächsten Schritt um die Modellbildung.
Das Modell dient den eingebundenen Mitarbeiter als Überblick über die vorhandenen Daten und deren grundsätzliche Relevanz. Sie müssen wissen, welche Fragestellung sich im Zusammenhang mit den angestrebten Projektzielen überhaupt beantworten lassen. Fälle mit einer hohen Finanzierung stehen dabei ganz oben. Deutlich ist: Das Projektteam widmet sich einer komplexen Aufgabe. Arbeitgeber sollten ihnen genug Verständnis und Zeit entgegen bringen. Außerdem könnte ein Data Scientist unterstützen.