Suchen

Ausfälle in der Fertigung verhindern

Machine Learning Reply etabliert Predictive Maintenance

Kritische Maschinen in Produktionslinien müssen zuverlässig sein, um kostspielige Stillstände zu vermeiden. In der Regel sorgen regelmäßige Inspektionen und geplante Wartungsarbeiten, die durchgeführt werden während die Produktionslinien offline sind, dafür, dass keine unerwarteten Ausfälle auftreten.

Um Wartungsarbeiten möglichst effektiv zu planen, sind Maschinen außerdem meist mit Sensoren ausgestattet. So können Ingenieure die Leistung und den Zustand der Maschinen überwachen. Doch häufig stellt sich hierbei die Frage, welche Daten gesammelt werden müssen, um möglichst effektiv Rückschlüsse auf den Maschinenzustand ziehen zu können.

Mit einer ähnlichen Frage kam ein Anbieter von Manufacturing-Execution-Systemen (MES) auf Machine Learning Reply zu. Der Auftrag: Herauszufinden wie wirksam Sensordaten verschlechternde Zustände von Maschinen tatsächlich überwachen und erkennen können sowie die Erkenntnisse sinnvoll einzusetzen.

Im Zuge dessen wurden große Portalarme, die entscheidend für die Fertigungsprozesse des Kunden sind, mit Sensoren ausgestattet, die einen konstanten Datenstrom lieferten.

ML-Modelle mit Sensordaten trainieren

Das Team von Machine Learning Reply trainierte dann Modelle des maschinellen Lernens, um festzustellen, welche der Sensoren - wenn überhaupt - zwischen normalen und verschlechterten Bedingungen unterscheiden können. Dadurch konnte Machine Learning Reply die Konfigurationen der Sensoren an den Portalarmen, die optimal für die zustandsbasierte Überwachung sind, bestimmen.

Mit den optimalen Daten für die Sensoren trainierten die Berater außerdem weitere Modelle, die zwischen normalen, anormalen (ungewöhnlichen, aber nicht notwendigerweise negativen) und sich verschlechternden Betriebsmodi unterscheiden können. Die Genauigkeit der Vorhersagen beträgt dadurch nahezu 100 Prozent innerhalb von Sekunden bis Minuten nach der Beobachtung.

Bedienerfreundliches Monitoring

Insgesamt unterstützte Machine Learning Reply ein Entwicklerteam dabei, die gesamte Data-Application-Pipeline aufzusetzen, einschließlich der Datenextraktion aus einer Datenbank von Drittanbietern, der Daten-Umwandlung, des Modelltrainings und des Monitorings.

Denn damit auf die Informationen auch schnell reagiert werden kann, mussten die Werte aus den Analysen den richtigen Personen auf möglichst benutzerfreundliche Art und Weise zur Verfügung gestellt werden. Dies erfolgt unter anderem in einer einfachen Web- und Mobilanwendung, die von den Mitarbeitern an der Fertigungslinie genutzt werden kann.

Vorhersagen eines Ausfalls Monate im Voraus

Mit einer intuitiven und leicht zu bedienenden Schnittstelle auf der MES-Datenplattform und den von Machine Learning Reply entwickelten Modellen im Backend hilft die Lösung erfolgreich bei der Überwachung und Wartung der Produktionslinienmaschinen.

Damit werden unerwartete Ausfälle und der Stillstand der Produktionslinie vermieden. Heute werden sich verschlechternde Betriebsbedingungen innerhalb von 10 Minuten nach dem ersten Auftreten erkannt, und damit in der Regel Monate vor einem Ausfall der Maschine.