Vorteil
Schaffung der Mehrwerte für einen neuen Servicebaustein auf Basis von Daten und Algorithmen
Daten
Informationen über die Maschinenzustände in Echtzeit
Methoden
Verfahren zur Ermittlung von Strukturänderungen
Mit Predictive Maintenance zu neuen Kundenservices: Entwicklung eines "Health Indicators" für die Schenck Process Europe GmbH
Herausforderung
Schenck Process ist weltweiter Technologie- und Marktführer im Bereich der angewandten Messtechnik und punktet mit innovativen Lösungen unter anderem für das Wägen, Fördern und Sieben. Um das Serviceangebot für ihre Kunden stetig weiterzuentwickeln plant Schenck Process die Realisierung eines Use Cases aus dem Bereich der vorausschauenden Instandhaltung. Dies ist für Schenck Process besonders relevant, da ungeplante Maschinenausfälle mit hohen Kosten und sehr aufwändigen Reparaturprozessen verbunden sind.
Schenck Process verfügte im Vorfeld des Projekts über eine eingeschränkte Datenbasis mit historischen Daten. Diese beinhaltete zahlreiche Datensätze von Maschinen im Gut-Zustand, allerdings nur wenige Datensätze mit einer Zuordnung zu bestimmten Fehlerfällen. Aufgrund individueller Spezifikationen stellt jede hergestellte Maschine ein Unikat dar.
Ziel
Das Ziel von Schenck Process ist es, Zustandsänderungen an den Maschinen durch den Einsatz von Algorithmen zu erkennen. Konkret geht es um die Herleitung eines „Health Indicators“, der den Maschinenzustand auf Basis von Sensordaten für die Nutzer nachvollziehbar macht.
Lösung
Zur Schaffung einer adäquaten Datenbasis haben Experten von Schenck Process die jeweils aktuellen Maschinenzustände definiert und damit die Grundlage für das Training der Analysemodelle geschaffen. Im Rahmen des Datenmanagements hat eoda zusätzlich durch die Interpolation fehlender Messzeiträume Äquidistanzen hergestellt.
Für die Generierung des „Health Indicators“ hat eoda auf Verfahren zur Detektion von Strukturänderungen auf Basis von Regressionsmodellen gesetzt.
Wichtige Aspekte bei der Konzeption der Analysemodelle durch eoda:
- Effizientes Re-Training der Modelle: Einfache Übertragbarkeit der Analysen auf andere Maschinen.
- Einsatz von Echtzeitdaten: Zustandsänderungen im Produktivsystem können kontinuierlich aktualisiert werden.
- Vorhandenes Toolset: Schenck Process setzt auf die kommerzielle Software Matlab. Daher sind die verwendeten Algorithmen und Methoden natürlich in Matlab reimplementierbar.
Ergebnis
Mit dem „Health Indicator“ schafft eoda für Schenck Process die Mehrwerte für einen neuen Servicebaustein. Der Indikator hilft, Maschinenausfälle automatisch proaktiv zu erkennen und das Verständnis für den Maschinenzustand deutlich zu erhöhen.
Damit kann der „Health Indicator“ entscheidend dazu beitragen, die Maschinenverfügbarkeiten und damit auch die Kundenzufriedenheit zu steigern.
(Bildquelle: Schenck Process Holding GmbH)
Data-Driven Software:
Predictive Maintenance - mit YUNA
YUNA ist die DIE zentrale Plattform, zur Entwicklung und Steuerung digitaler, KI-gestützter Predictive Maintenance-Systeme. YUNA verbindet BI-Funktionen mit der Möglichkeit verschiedenste Modelle und Skripte zu nutzen.
Erfahren Sie mehr!
Case Study:
Predictive Maintenance bei TRUMPF
Realisierung eines Predictive-Maintenance-Ansatzes von der Konzeption über den Kompetenzaufbau bis hin zur Entwicklung einer produktiv eingesetzten Plattformlösung.
Whitepaper:
Wie erschließe ich das Potenzial meiner Daten?
Wie lässt sich der Datenschatz heben? Wie verläuft der Weg von der Idee bis zur erfolgreichen Realisierung und Implementierung eines Data-Science-Projektes? Erfahren Sie es in unserem kostenlosen Whitepaper!
Data Projects:
Von der Idee zum produktiven Service!
Welche Anwendungsfälle sind für Sie besonders spannend? Wie kann der Wissensaufbau in Ihrem Unternehmen gelingen? Von der Lösungsidee bis zum produktiven Einsatz von KI-Systemen in Ihrem Unternehmen: Wir schaffen für Sie aus Daten spürbare Mehrwerte.