Lösungen für vorausschauende Wartung: Warum sie wichtig sind und wie man sie implementiert
Dieser Artikel erklärt, warum vorausschauende Wartungslösungen wichtig sind und wie man sie einsetzt.
Für Unternehmen, die seit Jahren Maschinendaten sammeln, bietet sich eine unglaubliche Chance, diese Daten nutzbar zu machen. Die Nutzung verwertbarer Daten kann einen unschätzbaren Wettbewerbsvorteil bieten, indem sie es Unternehmen ermöglicht, ihre Geschäftsprozesse zu rationalisieren, die Nachfrageprognose zu optimieren und die Kaufbereitschaft ihrer Kunden besser zu verstehen.
Insbesondere Lösungen für die vorausschauende Wartung (Predictive Maintenance, PM) sind von großem Nutzen, wenn Maschinendaten nutzbar gemacht werden, da sie Ausfallzeiten und Verschwendung reduzieren können, was zu einer höheren organisatorischen Effizienz führt.
Die Umsetzung der Idee der vorausschauenden Wartung in einen tatsächlichen Einsatz kann komplex sein, aber es gibt einige bewährte Verfahren, die dabei helfen können, frühzeitig Ergebnisse zu erzielen. So ist es beispielsweise besser, klein anzufangen, um einen wiederholbaren Prozess für einen Datensatz zu erlernen, der sich auf einen einzigen Anwendungsfall konzentriert. Dadurch werden alle Beteiligten mit den erforderlichen Schritten vertraut gemacht, und dies kann bei künftigen Diskussionen über Projekte zur vorausschauenden Wartung helfen.
Wenn Sie also eine Organisation sind, die einen PdM-Treiber einrichten möchte, befolgen Sie zunächst diese sechs Schritte:
1. Bestimmen Sie den Umfang, in dem die Lösungen zur vorausschauenden Wartung eingesetzt werden können.
Erstens sollte das Ziel eines jeden PdM-Piloten darin bestehen, zu zeigen, dass Sie über einen Datensatz verfügen, der mit hoher Wahrscheinlichkeit verwertbare Informationen liefert, die zu einem bestimmten Geschäftsergebnis führen können. Andernfalls wird Ihr PdM-Anwendungsfall nicht aus der Forschung und Entwicklung herauskommen. Um festzustellen, ob ein Datensatz vorhanden ist, der Ihren Anwendungsfall unterstützt, stellen Sie sich die folgenden Fragen:
- Haben wir genügend Daten - sowohl historisch als auch aktuell generiert -, um die gesamte Geschichte der Maschine zu erzählen? (Dies kann Datensätze von einigen Maschinen umfassen, die einige Jahre lang laufen, oder Datensätze von vielen Maschinen, die über einen kürzeren Zeitraum laufen).
-Können wir von der Fabrik aus auf diese Daten zugreifen? (Können wir z. B. historische Daten herunterladen oder Maschinen über IoT-Gateways verbinden, um mit der Veröffentlichung der Daten zu beginnen?)
-Haben wir andere Datenquellen, die diese Daten erhöhen können, wie z. B. Protokolldateien, Wartungsaufzeichnungen oder Wetterdaten?
-Haben wir Experten zur Verfügung, die die Erfolgs- und Misserfolgsmuster einer bestimmten Maschine beschreiben können?
-Was ist das gewünschte Geschäftsergebnis? (Ist es z. B. unser Ziel, die Gewinnspannen zu erhöhen, die Ausfallzeiten zu verringern oder den Kunden neue Angebote zu machen?)
2. Relevante Datensätze aggregieren und organisieren
Sobald Sie Ihren Anwendungsfall definiert haben, besteht der nächste Schritt darin, Ihre Daten an einem zentralen Ort zu aggregieren.
Dieser Prozess umfasst in der Regel zwei Phasen:
-Die erste besteht darin, historische Datensätze hochzuladen, um die Modelle zu füllen. Diese Daten können an verschiedenen Orten leben und erfordern in der Regel einen einmaligen Aufwand für jeden Datensatz.
-In der zweiten Phase müssen die Systeme eingerichtet werden, um die Daten kontinuierlich anzuzeigen. Je nach Konnektivität kann dies in Batches oder durch Ablesen nach und nach geschehen.
3. Erforschen Sie die Daten für Perspektiven
Jetzt ist es an der Zeit, damit zu beginnen, die Fragen zu erforschen, die Sie mit Ihren Datensätzen beantworten können.
Daher ist die Anwesenheit von Experten auf diesem Gebiet hier von entscheidender Bedeutung, da niemand sonst das Verhalten von Maschinen besser kennen wird. Arbeiten Sie mit ihnen zusammen, um festzustellen, welche Modelle durch die fraglichen Daten dargestellt werden können, und bestimmen Sie, welche Probleme aus der realen Welt, mit denen Ihre Experten konfrontiert sind, durch ein Vorhersagemodell unterstützt oder sogar gelöst werden können.
4. Entwickeln, Testen und Wiederholen von Modellen für maschinelles Lernen. von Machine Learning ML
Sobald Sie Ihren Anwendungsfall definiert und die notwendigen Fragen zu Ihren Daten gestellt haben, können Sie mit der Entwicklung von Modellen für maschinelles Lernen beginnen, diese Modelle testen und diesen Prozess für so viele Szenarien wie möglich wiederholen.
Denn das Ergebnis dieser Phase kann die Erkenntnis sein, dass die an die Daten gestellten Fragen nicht für Vorhersagemodelle geeignet sind, oder es kann die Entdeckung eines Modells sein, das es wert ist, an einer Live-Maschine getestet zu werden.
5. Verteilen auf eine kontrollierte Gruppe von Rechnern
Jetzt ist es an der Zeit, den Erfolg Ihres Machine-Learning-Modells zu belegen, indem Sie es auf einer Gruppe von Rechnern einsetzen. Je nachdem, was Sie beweisen wollen, kann dies bedeuten, dass einige Modelle auf mehreren Gruppen laufen oder das gleiche Modell auf einer einzigen Gruppe.
Wie auch immer der Einsatzprozess aussieht, ist es also entscheidend, ein messbares Ergebnis zu erzielen.
Beachten Sie insbesondere, dass das Ziel der Erstellung eines Pilotprojekts nicht nur darin bestehen sollte, ein einsatzfähiges Modell des maschinellen Lernens zu erstellen. In der Zukunft wird es in Ihrem Unternehmen zweifellos weitere Projekte geben, die die Entwicklung weiterer Machine-Learning-Modelle für andere Anwendungsfälle erfordern.
6. Bringen Sie Ihr Modell zur vorausschauenden Wartung in Produktion
Nachdem Sie die oben genannten Schritte durchlaufen haben, um Ihr Pilotprojekt abzuschließen und Erfolgsindikatoren für Ihr Modell des maschinellen Lernens zu erhalten, ist es an der Zeit, Ihr Modell des maschinellen Lernens auf allen Rechnern Ihrer Organisation einzusetzen.
Dann beginnen Sie, verwertbare Informationen zu erhalten, die sich direkt sowohl auf die täglichen Aufgaben als auch auf die langfristigen Ziele auswirken können.
Abhängig von der Menge der verfügbaren historischen Maschinendaten und der Komplexität der Fragen, die Sie beantworten möchten.
Verfolgen Sie unsere Überlegungen in den sozialen Netzwerken
Wir veröffentlichen häufig in sozialen Netzwerken (Linkedin, Twitter und Medium) unsere Innovationen und die neuen Funktionen unserer Lösungen für das Industriemanagement.
Wir würden uns freuen, wenn wir Ihnen die neuesten Trends im Bereich Industrie 4.0 durch qualitativ hochwertige Inhalte, die Sie weiterverbreiten können, näher bringen könnten.
French 
English 
Spanish 
German