Google+ Facebook Twitter XING LinkedIn GoogleCurrents YouTube

Predictive Maintenance[Advertorial]

Maschinelles Lernen für die prädiktive Wartung

| Autor: Dr. Andreas Becks, Head of Business Analytics, SAS DACH

Predictive Maintenance, die vorausschauende Wartung von Maschinenteilen, profitiert von maschinellem Lernen, indem Muster in Maschinendaten gelernt werden, die mit hoher Wahrscheinlichkeit den Ausfall einer Maschine vorhersagen können.
Predictive Maintenance, die vorausschauende Wartung von Maschinenteilen, profitiert von maschinellem Lernen, indem Muster in Maschinendaten gelernt werden, die mit hoher Wahrscheinlichkeit den Ausfall einer Maschine vorhersagen können. (Bild: pexels.com / CC0)

Maschinelles Lernen und Predictive Maintenance sind derzeit Schlüsselthemen in der produzierenden Industrie. Predictive Maintenance, die vorausschauende Wartung von Maschinenteilen, profitiert von maschinellem Lernen, indem Muster in Maschinendaten gelernt werden, die mit hoher Wahrscheinlichkeit den Ausfall einer Maschine vorhersagen können.

Um die Entscheidung zu treffen, ob eine bestimmte Wartung der Maschine (die ja hoffentlich noch nicht ausgefallen ist – wir arbeiten ja prädiktiv) sinnvoll ist, ist ein Kreislauf aus Datensammeln, Datenexploration und Datenanalyse nötig. Die Daten, die gesammelt werden, entstehen direkt an den Bauteilen. Die an ihnen installierten Sensoren nehmen Verhalten in Form von Daten auf und geben diese Daten dann weiter in den Kreislauf der Datenanalyse. Analytische Modelle beziehungsweise Algorithmen für maschinelles Lernen können nun die Ausfallwahrscheinlichkeiten vorhersagen. Im Wesentlichen stecken dahinter Verfahren, die Muster in Daten erkennen, diese verallgemeinern und dann auf neue Daten anwenden. Solche analytischen Modelle werden anhand von Beispieldaten trainiert. Dies geschieht überwacht, wenn zum Beispiel der gewünschte Output präsentiert wird (etwa die Fehlerkategorie eines unerwünschten Maschinenverhaltens zu einem bestimmten Zeitpunkt). Nicht überwachte Lernverfahren hingegen finden bisher unbekannte Muster in Daten und lernen, Gruppierungen zu beschreiben. So lassen sich beispielsweise Bereiche von interessanten Sensorwerten ermitteln.

Mithilfe von Big Data Analytics und Machine Learning zum "besten Ort der Welt"

Anhand von 150.000 Locations weltweit und 69 Kriterien ermittelte SAS Ende Juni auf dem SAS Forum Deutschland den "besten Ort der Welt".

Jetzt reinklicken und mehr über den "besten Ort der Welt" erfahren!

Es ist klar, dass Machine-Learning-Verfahren in Bezug auf Predictive Maintenance nicht um ihrer selbst willen angewandt, sondern schließlich in die Geschäftsprozesse integriert werden. Nicht der coolste Algorithmus ist entscheidend – es muss eine Operationalisierung der analytischen Verfahren erfolgen. Hier sind gute Modelle ebenso erforderlich wie die Verknüpfung mit Geschäftsregeln. Denn so werden analytische Vorhersagen mit Handlungsempfehlungen verknüpft und können bei Entscheidungen helfen.

Was beachtet werden sollte, um Machine Learning in der Fertigung erfolgreich einzusetzen, lässt sich anhand des Beispiels prädiktiver Wartung von medizinischen Großgeräten wie Computertomografen veranschaulichen.

Gute Modelle entwickeln.

Diese bilden die Voraussetzung, um aufgrund von Sensordaten und Eventcodes die Ausfallwahrscheinlichkeit einer Komponente (beispielsweise die Röntgeneinheit, die Kühlung oder der Patiententisch) mit hoher Trefferquote und geringer Anzahl von Fehlalarmen vorherzusagen.

Modelle in die Produktion bringen.

Dazu werden Geschäftsregeln benötigt, die analytische Vorhersagen mit Handlungsempfehlungen zusammenbringen und bei Entscheidungen helfen. Konkret könnten folgende Fragen eine Rolle spielen: Was mache ich ganz praktisch, wenn die Ausfallwahrscheinlichkeit hoch ist? Wie schnell muss ich reagieren, wenn der Kunde einen Premium-Servicevertrag hat? Inwiefern unterscheidet sich die Vorgehensweise, wenn sich das Gerät in einem Krankenhaus oder in der Radiologie-Praxis befindet?

Modelle und Regeln dorthin bringen, wo die Daten entstehen oder hingeleitet werden.

Zum Beispiel in ein Hadoop-Cluster, direkt in einen Datenstrom oder über eine Datenbank in ein operatives Dispatching-System, das dem Gerätetechniker sagt, welche Ersatzteile und Werkzeuge er in sein Fahrzeug packen, welche Kliniken er in welcher Reihenfolge anfahren und welche Komponenten er warten muss.

Mithilfe von Big Data Analytics und Machine Learning zum "besten Ort der Welt"

Anhand von 150.000 Locations weltweit und 69 Kriterien ermittelte SAS Ende Juni auf dem SAS Forum Deutschland den "besten Ort der Welt".

Jetzt reinklicken und mehr über den "besten Ort der Welt" erfahren!

Anwendung der Modelle und Regeln kontinuierlich überwachen.

Erforderlich ist eine Model Governance, die die Effizienz bei der Registrierung von Modellen und die Auditierbarkeit sicherstellt. Zudem ermöglicht diese Governance die automatische Prüfung der statistischen Modelle auf ihre Vorhersagekraft, wobei ein Alarm ausgelöst wird, falls ein analytisches Modell ausgetauscht werden muss.

Fazit: Machine Learning ist weder eine komplett neue Erfindung noch ein Wundermittel. Notwendig: eine professionelle Integration in die Geschäftsprozesse, eine Operationalisierung von Analytics. Machine Learning funktioniert am besten als Ergänzung und nicht als Ersatz für herkömmliche analytische Methoden.

Mit Machine Learning zum „besten Ort der Welt“

Ein anschauliches Beispiel, was Machine Learning leisten kann, hat das Projekt „Paradise Found“ gezeigt. Mithilfe von Big Data Analytics und Machine Learning ermittelte SAS aus rund 150.000 Locations weltweit und anhand von 69 Kriterien den „besten Ort der Welt“. Vorgestellt wurden das Projekt und das Ergebnis auf dem SAS Forum Deutschland Ende Juni in Bonn. Auf der Analytics-Konferenz, zu der rund 1.200 Besucher kamen und die ebenso viele im Live-Stream mitverfolgten, standen Trends wie Artificial Intelligence, Edge Computing oder Machine Learning, aber auch konkrete Umsetzungsmethoden wie Cloud Analytics, Open Source oder Big Data Labs im Mittelpunkt der Diskussion.

Einblicke in neue Trends und Entwicklungen bei Technologien wie Machine Learning und Big Data Analytics gibt SAS als Nächstes in Amsterdam auf seiner internationalen Konferenz Analytics Experience 2017 2017 vom 16. bis 18. Oktober in Amsterdam.

Advertorial - Was ist das?

Dieses Advertorial wird Ihnen von SAS Institute GmbH zur Verfügung gestellt. Über Advertorials bieten wir Unternehmen die Möglichkeit relevante Informationen für unsere Nutzer zu publizieren.Gemeinsam mit dem Unternehmen erarbeiten wir die Inhalte des Advertorials und legen dabei großen Wert auf die thematische Relevanz für unsere Zielgruppe. Die Inhalte des Advertorials spiegeln dabei aber nicht unbedingt die Meinung der Redaktion wider.