{"id":1078,"date":"2020-10-14T08:17:26","date_gmt":"2020-10-14T07:17:26","guid":{"rendered":"https:\/\/syram.eu\/?p=1078"},"modified":"2021-02-02T10:15:51","modified_gmt":"2021-02-02T09:15:51","slug":"solutions-de-maintenance-predictive-pourquoi-elles-sont-importantes-et-comment-les-mettre-en-oeuvre","status":"publish","type":"post","link":"https:\/\/syram.eu\/de\/losungen-fur-vorausschauende-wartung-warum-sie-wichtig-sind-und-wie-sie-umzusetzen-sind\/","title":{"rendered":"L\u00f6sungen f\u00fcr vorausschauende Wartung: Warum sie wichtig sind und wie man sie implementiert"},"content":{"rendered":"
Dieser Artikel erkl\u00e4rt, warum vorausschauende Wartungsl\u00f6sungen wichtig sind und wie man sie einsetzt.<\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t F\u00fcr Unternehmen, die seit Jahren Maschinendaten sammeln, bietet sich eine unglaubliche Chance, diese Daten nutzbar zu machen. Die Nutzung verwertbarer Daten kann einen unsch\u00e4tzbaren Wettbewerbsvorteil bieten, indem sie es Unternehmen erm\u00f6glicht, ihre Gesch\u00e4ftsprozesse zu rationalisieren, die Nachfrageprognose zu optimieren und die Kaufbereitschaft ihrer Kunden besser zu verstehen.\u00a0<\/p> Insbesondere L\u00f6sungen f\u00fcr die vorausschauende Wartung (Predictive Maintenance, PM) sind von gro\u00dfem Nutzen, wenn Maschinendaten nutzbar gemacht werden, da sie Ausfallzeiten und Verschwendung reduzieren k\u00f6nnen, was zu einer h\u00f6heren organisatorischen Effizienz f\u00fchrt.<\/p> Die Umsetzung der Idee der vorausschauenden Wartung in einen tats\u00e4chlichen Einsatz kann komplex sein, aber es gibt einige bew\u00e4hrte Verfahren, die dabei helfen k\u00f6nnen, fr\u00fchzeitig Ergebnisse zu erzielen. So ist es beispielsweise besser, klein anzufangen, um einen wiederholbaren Prozess f\u00fcr 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 k\u00fcnftigen Diskussionen \u00fcber Projekte zur vorausschauenden Wartung helfen.<\/p> Wenn Sie also eine Organisation sind, die einen PdM-Treiber einrichten m\u00f6chte, befolgen Sie zun\u00e4chst diese sechs Schritte:<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Erstens sollte das Ziel eines jeden PdM-Piloten darin bestehen, zu zeigen, dass Sie \u00fcber einen Datensatz verf\u00fcgen, der mit hoher Wahrscheinlichkeit verwertbare Informationen liefert, die zu einem bestimmten Gesch\u00e4ftsergebnis f\u00fchren k\u00f6nnen. Andernfalls wird Ihr PdM-Anwendungsfall nicht aus der Forschung und Entwicklung herauskommen. Um festzustellen, ob ein Datensatz vorhanden ist, der Ihren Anwendungsfall unterst\u00fctzt, stellen Sie sich die folgenden Fragen:<\/p>\n - Haben wir gen\u00fcgend Daten - sowohl historisch als auch aktuell generiert -, um die gesamte Geschichte der Maschine zu erz\u00e4hlen? (Dies kann Datens\u00e4tze von einigen Maschinen umfassen, die einige Jahre lang laufen, oder Datens\u00e4tze von vielen Maschinen, die \u00fcber einen k\u00fcrzeren Zeitraum laufen).<\/p>\n -K\u00f6nnen wir von der Fabrik aus auf diese Daten zugreifen? (K\u00f6nnen wir z. B. historische Daten herunterladen oder Maschinen \u00fcber IoT-Gateways verbinden, um mit der Ver\u00f6ffentlichung der Daten zu beginnen?)<\/p>\n -Haben wir andere Datenquellen, die diese Daten erh\u00f6hen k\u00f6nnen, wie z. B. Protokolldateien, Wartungsaufzeichnungen oder Wetterdaten?<\/p>\n -Haben wir Experten zur Verf\u00fcgung, die die Erfolgs- und Misserfolgsmuster einer bestimmten Maschine beschreiben k\u00f6nnen?<\/p>\n -Was ist das gew\u00fcnschte Gesch\u00e4ftsergebnis? (Ist es z. B. unser Ziel, die Gewinnspannen zu erh\u00f6hen, die Ausfallzeiten zu verringern oder den Kunden neue Angebote zu machen?)<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Sobald Sie Ihren Anwendungsfall definiert haben, besteht der n\u00e4chste Schritt darin, Ihre Daten an einem zentralen Ort zu aggregieren.\u00a0<\/p> Dieser Prozess umfasst in der Regel zwei Phasen:\u00a0<\/p> -Die erste besteht darin, historische Datens\u00e4tze hochzuladen, um die Modelle zu f\u00fcllen. Diese Daten k\u00f6nnen an verschiedenen Orten leben und erfordern in der Regel einen einmaligen Aufwand f\u00fcr jeden Datensatz.\u00a0<\/p> -In der zweiten Phase m\u00fcssen die Systeme eingerichtet werden, um die Daten kontinuierlich anzuzeigen. Je nach Konnektivit\u00e4t kann dies in Batches oder durch Ablesen nach und nach geschehen.<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Jetzt ist es an der Zeit, damit zu beginnen, die Fragen zu erforschen, die Sie mit Ihren Datens\u00e4tzen beantworten k\u00f6nnen.\u00a0<\/p> 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 k\u00f6nnen, und bestimmen Sie, welche Probleme aus der realen Welt, mit denen Ihre Experten konfrontiert sind, durch ein Vorhersagemodell unterst\u00fctzt oder sogar gel\u00f6st werden k\u00f6nnen.<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Sobald Sie Ihren Anwendungsfall definiert und die notwendigen Fragen zu Ihren Daten gestellt haben, k\u00f6nnen Sie mit der Entwicklung von Modellen f\u00fcr maschinelles Lernen beginnen, diese Modelle testen und diesen Prozess f\u00fcr so viele Szenarien wie m\u00f6glich wiederholen.\u00a0<\/p> Denn das Ergebnis dieser Phase kann die Erkenntnis sein, dass die an die Daten gestellten Fragen nicht f\u00fcr Vorhersagemodelle geeignet sind, oder es kann die Entdeckung eines Modells sein, das es wert ist, an einer Live-Maschine getestet zu werden.<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t 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.\u00a0<\/p> Wie auch immer der Einsatzprozess aussieht, ist es also entscheidend, ein messbares Ergebnis zu erzielen.<\/p> Beachten Sie insbesondere, dass das Ziel der Erstellung eines Pilotprojekts nicht nur darin bestehen sollte, ein einsatzf\u00e4higes 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 f\u00fcr andere Anwendungsf\u00e4lle erfordern.<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Nachdem Sie die oben genannten Schritte durchlaufen haben, um Ihr Pilotprojekt abzuschlie\u00dfen und Erfolgsindikatoren f\u00fcr Ihr Modell des maschinellen Lernens zu erhalten, ist es an der Zeit, Ihr Modell des maschinellen Lernens auf allen Rechnern Ihrer Organisation einzusetzen.\u00a0<\/p> Dann beginnen Sie, verwertbare Informationen zu erhalten, die sich direkt sowohl auf die t\u00e4glichen Aufgaben als auch auf die langfristigen Ziele auswirken k\u00f6nnen.<\/p> Abh\u00e4ngig von der Menge der verf\u00fcgbaren historischen Maschinendaten und der Komplexit\u00e4t der Fragen, die Sie beantworten m\u00f6chten.<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Wir ver\u00f6ffentlichen h\u00e4ufig in sozialen Netzwerken (Linkedin<\/a>, Twitter<\/a> und Medium<\/a>) unsere Innovationen und die neuen Funktionen unserer L\u00f6sungen f\u00fcr das Industriemanagement.<\/p>\n Wir w\u00fcrden uns freuen, wenn wir Ihnen die neuesten Trends im Bereich Industrie 4.0 durch qualitativ hochwertige Inhalte, die Sie weiterverbreiten k\u00f6nnen, n\u00e4her bringen k\u00f6nnten.<\/p>1. Bestimmen Sie den Umfang, in dem die L\u00f6sungen zur vorausschauenden Wartung eingesetzt werden k\u00f6nnen.<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
2. Relevante Datens\u00e4tze aggregieren und organisieren<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
3. Erforschen Sie die Daten f\u00fcr Perspektiven\n<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
4. Entwickeln, Testen und Wiederholen von Modellen f\u00fcr maschinelles Lernen.\nvon Machine Learning ML<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
5. Verteilen auf eine kontrollierte Gruppe von Rechnern\n<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
6. Bringen Sie Ihr Modell zur vorausschauenden Wartung in Produktion\n<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
Verfolgen Sie unsere \u00dcberlegungen in den sozialen Netzwerken<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t