Tagesseminar Predictive Maintenance

Tagesseminar Predictive Maintenance – Industrie 4.0 in der Instandhaltung

 

Marc Tesch, CEO der LeanBI AG und Michael Kummer, Geschäftsführer der Küffer Elektro-Technik AG referieren am Weiterbildungszentrum Lenzburg zum Thema – basierend auf umgesetzten Projekten.

 

In der Instandhaltung kannte man bis anhin zwei Strategien. Proaktiv: Vorbeugend messen und handeln. Reaktiv: Handeln, wenn der Schaden eingetreten ist. Mit der Digitalisierung eröffnet sich eine dritte Strategie. Prädiktiv: Vorausschauend respektive zustandsorientiert. In diesem Kurs erfahren Sie anhand konkreter Projekte, wie man einen Betrieb fit für die digitale Instandhaltung trimmt und welche Mehrwerte Sie damit generieren.

 

Ziele

  • Sie kennen den Prozess «Predicitive Maintenance» von der Datenaufnahme bis zur Umsetzung
  • Sie können die Möglichkeiten einordnen, die Algorithmen und Machine Learning bieten
  • Sie sind schon nach der ersten Einführung im Kurs in der Lage, ein Projektpapier zu erstellen

 

Inhalte

  • Erfahrungen aus umgesetzten Kundenprojekten
  • Theorie von Predictive Maintenance, Big Data, Internet of Things, Anomalie- und Mustererkennung, Dashboards
  • Erarbeiten eines Projektpapiers in der Gruppe. Gerne anhand eines Beispiels, eventuell anhand mehrerer Beispiele, aus dem Teilnehmerkreis

 

Voraussetzung

  • keine

 

Zielgruppe

  • Entscheidungsträger aus den Bereichen Instandhaltung, Technik und Digitalisierung

 

Referenten

  • Michael Kummer, TS Elektrotechnik HF
  • Dr. Marc Tesch, Dipl. Maschineningenieur ETH

 

Dauer

  • 1 Tag (7 Lektionen)

 

Daten, Zeit, Kosten und Anmeldung

Postkarte von Google, von den Industrie 4.0 Use Cases

Postkarte von der Industrie 4.0 Use Cases Veranstaltung bei Google in Zürich

 

Bild: Marc Tesch bei der Präsentation

 

Das war ein spannender Tag! Marc Tesch präsentierte einen Use Case bei Google in Zürich im Rahmen vom 3. Industrie 4.0 Use Cases.

Physikalische Modelle in Machine Learning integrieren

LeanBI in den Medien zum Thema:

 

KI und physikalische Modelle vereinfachen und beschleunigen die Entwicklung komplexer Produkte und Prozesse. Das kann man anhand von fünf typischen Einsatzszenarien deutlich erkennen. Dazu gehören unter anderem die Produktionsplanung, Predictive Maintenance von Bauteilen und die Schadenserkennung von Bauteilen. Wie das funktioniert und welche weiteren Use Cases noch dazugehören, haben wir im Artikel ganz genau beschrieben.

 

 

IT-daily.net: Die Kombination von KI und physikalischen Modellen eröffnet neue Optimierungspotenziale

 

www.bigdata-insider.de: Wie KI und physikalische Modelle Optimierungspotenziale eröffnen

 

Halbtagesseminar Digitaler Retrofit 4.0

Halbtagesseminar «Digitaler Retrofit 4.0»– So machen Sie Ihre Anlage fit für die digitale Zukunft

 

 

Die Experten LeanBI, SICK, Brütsch & Rüegger und GradeSens werden mit Ihnen die positiven Effekte von digitalen Retrofits im interaktiven Dialog in mehreren Kleingruppen ausarbeiten.

 

Industrie 2025, Swissmem und die Data Innovation alliance laden herzlich ein. Das Seminar findet im Swissmem in Zürich am 24.11.2022 von 13:00 – 17:30 Uhr, ab 17:30 Uhr Apero und Ausklang.

 

Programm und Anmeldung

Bei Predictive Quality ist Edge Computing oft die bessere Wahl

LeanBI in den Medien zum Thema:

 

Qualität hat in der Produktion mit den höchsten Stellenwert. Dafür setzen viele Unternehmen auf Predictive-Quality-Anwendungen, die die Qualität der Produkte und Prozesse permanent optimieren. Häufig läuft das über die Cloud, aber gerade wenn es schnell gehen muss, lohnt es sich auf Edge Computing zu setzen. Wir zeigen auf worauf Unternehmen achten müssen und wie sie Machine-Learning-Modelle so optimieren können, dass sie auf Edge-Systemen eingesetzt werden können.

 

 

 

www.it-daily.net: Bei Predictive Quality ist Edge Computing oft die bessere Wahl

 

www.it-production.com: Predictive Quality: Was, wenn es schnell gehen muss

 

www.i40-magazin.de: Was, wenn es schnell gehen muss?

 

www.service-and-maintenance.com: Predictive Quality: Was, wenn es schnell gehen muss

 

www.itiko.de: Bei Predictive Quality ist Edge Computing oft die bessere Wahl

 

www.iavcworld.de: Bei Predictive Quality ist Edge Computing oft die bessere Wahl

 

Fünf gute Gründe für mehr Transparenz der Luftqualität in Innenräumen

LeanBI in den Medien zum Thema:

 

Nicht erst seit Corona machen sich Unternehmen und Organisationen Gedanken über die Luftqualität in Räumen. Nur, wenn die Luftqualität passt, sind Mitarbeiter effizient, können Energiekosten optimiert und Büro- und Konferenzräume optimal ausgelastet werden. Doch wie kann man eigentlich die Luftqualität messen? Wir zeigen auf, welche positiven Effekte erzielt werden können.

 

 

Management und Qualität: Luftqualität in Innenräumen: Fünf Gründe für mehr Transparenz

 

Organisator: Luftqualität in Innenräumen: Fünf Gründe für mehr Transparenz

 

www.maschinenmarkt.de: Fünf gute Gründe für eine smarte Sicherung der Luftqualität

Wenn Drohnen Brücken inspizieren

LeanBI in den Medien zum Thema:

 

Die Schadenserkennung an Infrastrukturen wie Brücken, Tunneln oder Kanälen auf herkömmlichen Weg ist aufwendig, teuer und sogar gefährlich. Wenn Sachverständige Brücken oder Tunnels vor Ort inspizieren, müssen sie abgesperrt werden. An Brücken kommen die Inspekteure nur mit Hebebühnen oder durch Abseilen heran, was ein Risiko für Leib und Leben mit sich bringt.

 

 

bigdata-insider.de: Ob Brücken, Tunnel oder Kanäle: Data-Analytics-Lösungen können die Schadenserkennung an Infrastrukturen automatisieren.

 

Schadenserkennung in Abwasser-Kanalisationen

Automatisierte Erkennung von Schäden und Objekten in Abwasser-Kanalisationen mit künstlicher Intelligenz

 

Abb.1: Automatisch erkannte Ablagerungen am Grund in einer Kanalisation (Bild Abwicklung der Kanalisation)

 

Die Optimierung und Effizienzerhöhung der Abwasser-Kanalinspektion und -revision ist ein wichtiges Thema unserer Gesellschaft. Die Ingenieurunternehmung Basler & Hofmann AG hat sich in Zusammenarbeit mit der LeanBI AG der Herausforderung angenommen.

 

Und um das Fazit des Artikels vorwegzunehmen: Künstliche Intelligenz (KI) erhöht massiv die Effizienz, Ingenieure und Experten müssen dabei aber trotzdem nicht eingespart werden. KI hilft den Experten, Ihre Arbeit qualitativ besser auszuführen, womit ein hohes Kosteneinsparpotential einhergeht. Doch dazu später.

 

Die Gesamtlänge öffentlicher und privater Abwasser-Kanalisationen in der Schweiz beträgt über 100’000 km. Der Wiederbeschaffungswert wird nach «Die Volkswirtschaft» [1] auf gesamthaft 114 Mrd. CHF geschätzt. Prinzipiell ist die mittlere Lebensdauer der Schmutzwasserleitungen von ca. 70 Jahren hoch [2]. Aber Fachleute gehen von einem erhöhten Investitionsbedarf aus, da viele Leitungen in den 60-iger bis 80-iger Jahren gebaut wurden, gemäss «die Volkswirtschaft» [1] kommen über die nächsten 30 Jahre die Werterhaltungskosten gesamthaft bei rund 130 Milliarden Franken zu liegen. Damit liegen wir im Schnitt pro Jahr bei 4.3 Mrd. CHF Erhaltungskosten. Die Werterhaltung des Kanalnetzes liegt nach [3] heute zwischen 50 und 400 CHF pro Jahr und Einwohner und weist damit eine hohe Bandbreite auf. Bei einer Bevölkerungszahl von 8.7 mio. Einwohner der Schweiz weist diese Zahl in der Tat darauf hin, dass die gesamte Werterhaltung mit einer starken Kostenzunahme in den nächsten Jahren einhergehen wird.

 

Mindestens die öffentlichen Kanalisationen sollten alle 10 bis 15 Jahre auf deren Zustand untersucht werden. Angeblich sollen Studien aufzeigen, dass rund 20% der Abwasserkanäle unnötigerweise erneuert und 15% nicht rechtzeitig saniert werden. Eine qualitative Verbesserung des heutigen Monitorings von Abwasserkanälen schätzen wir auf 10% der 4.3 Mrd. CHF, also Einsparungen von jährlich 430 Mio. CHF pro Jahr in der Schweiz im Schnitt über die nächsten 30 Jahre. Wir sind überzeugt, dass diese Einsparungen erreichbar sind, wie die folgenden Ausführungen zeigen.

 

Für die Untersuchungen der Abwasserkanäle sind heute zwei Systemprinzipien im Einsatz:

 

  • Konventionelle Videokameras, die sich durch den Kameraführer bei Vermutung eines Schadens abschwenken lassen. In einer Software werden dann die Schäden direkt vom Operateur dokumentiert.

 

 

Abb. 2: Beispiel iPEK Spezial-TV, Fahrwagen für Rohrdurchmesser 250 – 1000 mm aus Wikipedia

 

  • Pano-Scan Technologie mit zwei Fischaugenkameras, die alle 5 cm ein Bild schiessen, aus denen sich ein 3D-Bild entlang der Kanalisation erzeugen lässt.

 

 

 

 

Abb. 3: Beispiel IBAK PANORAMO 4K, Kamerasystem / 3D-Scanner, Einsatzbereich ab DN 200

 

Der weitaus grösste Teil der öffentlichen Kanäle weist Durchmesser zwischen DN 200 und DN 1800 auf, wo die Pano-Scan Technologie einsetzbar ist.  Die Pano-Scan Technologie weist den Vorteil auf, dass die Schadensinspektion nicht vor Ort, sondern nachträglich an einem «digitalen Zwilling», einem 3D- Panoramabild der Kanalisation ausgeführt werden kann. Mit dieser Technologie wird neben dem verbesserten Inspektionsvorganges eine digitalisierte und rückverfolgbare Datenbasis für zukünftige Sanierungen bereitgestellt.

 

Die Pano-Scan Aufnahme vor Ort im Kanal erfolgt ohne Stopps und ist entsprechend schnell aufgezeichnet und gut im Voraus planbar. Die Fehlerquote der Erkennung von Schäden reduziert sich gegenüber der konventionellen Technologie, da ein geschulter Experte nicht vor Ort, sondern nachträglich am Computer die Inspektion ausführt. Dafür stehen heute verschiedene Software-Lösungen zur Verfügung. In der Schweiz weit verbreitet ist die Lösung KINS der Firma Kanalinformatik GmbH, die auch in diesem Projekt angewendet wurde.

 

Trotz des grossen Fortschritts der Pano-Scan Technologie bleibt es ein Kraftakt, die vielen Kanalisationskilometer (geschätzt 7’000 km/Jahr) manuell am Büro-Arbeitsplatz zu inspizieren. Die Inspektion findet in einer Kombination direkt am 3D-Bild und der Abwicklung der Kanalisation statt. Im 3D-Bild ist die Perspektive frei wählbar, sodass auch schwierige Objekte wie Wurzeleinschlüsse besser erkennbar werden. Die Qualität der Inspektion ist und bleibt trotz neuer Kameratechnologie eine Frage der Erfahrung und Konzentration des eingesetzten Experten. Verbunden mit dem manuellen Aufwand kommt hinzu, dass die Bewertungen und auch Klassifizierungen der Schäden teils grosse subjektive Freiheiten zulässt und somit die Zustands- und Schadenserkennung von der analysierenden Fachperson abhängig ist. Solche Subjektivität konnten wir auch in unseren statistischen Auswertungen über verschiedene Gemeinden feststellen.

 

Eine automatisierte Auswertung des aufgenommenen Datenmaterials führt dagegen zu einer verbesserten und konstanten Monitoring-Qualität durch Minimierung von Fehlern aufgrund Ermüdung, Unwissen (ungenügende Ausbildung) oder Übersehen von Schäden. Sprich, die Subjektivität wird weitestgehend ausgeschlossen.

 

Basler & Hofmann AG hat im Jahr 2020 die LeanBI AG beauftragt, Machine Learning Modelle für die automatisierte Erkennung von Schäden und Verschmutzungen in Abwasserkanälen zu entwickeln. Solche Modelle werden heute auch als künstliche Intelligenz bezeichnet.

 

 

 

Als international tätiges Ingenieurbüro mit Hauptsitz in der Schweiz, erbringt Basler & Hofmann AG Dienstleistungen für die Planung und Erhaltung, insbesondere Zustandserfassungen und Inspektionen, von Infrastrukturbauwerken und kennt die Bedürfnisse und Anforderungen der Kanalisationsbetreiber. Basler & Hofmann setzt selbst Ingenieure ein, um die Schäden in den Kanalisationen auszuwerten.

 

Für das Projekt wurde ein Team von Ingenieuren der Basler & Hofmann, Data Scientist der LeanBI und Fachexperten gebildet, um die Automatisierung der Schadenserkennung voranzutreiben. Es wurden grosse Mengen an Bildmaterial von grossen und kleinen Land- Gemeinden, sowie von Städten statistisch ausgewertet. Die etwa 200 Schadenskategorien der VSA (Verband Schweizer Abwasser- und Gewässerschutzfachleute) Richtlinie wurden derart geclustert, dass sich in Zukunft 95% der Schadensfälle und Verschmutzungen automatisiert mit künstlicher Intelligenz erkennen lassen.

 

Abb. 4 zeigt eine schematische Darstellung des manuellen Annotations-Prozesses beschädigter seitlicher Anschlüsse: Die relevanten Markierungen werden auf den Bildern mit einem Annotations-Tool pixelgenau markiert. Diese Markierungen werden anschliessend exportiert und klassenweise zu binären Masken zusammengefasst. Zusammen mit den Abwicklungsbildern bilden diese Masken die Grundlage für die Trainingsdaten.

 

 

 

Abb. 4: Manueller Annotationsprozess in der Abwicklung eines Abwasserkanals

 

Auf der Grundlage der manuellen Annotationen wurden dann die Machine Learning Modelle trainiert. Im Unterschied zu bereits bestehenden Lösungen entschied das Projektteam die sogenannte «Machine Learning Image Segmentation» anzuwenden, also ein pixelgenaue Defekterkennung des Objektes oder Schadens. Die Machine Learning Modelle detektieren damit die genaue Form der Defekte, dies im Unterschied der wenigen heute am Markt verfügbaren Lösungen, die meistens «Bounding Boxes» um die die Objekte legen. Illustrieren wir die Segmentierung an einem Beispiel anhand eines in Abb. 5 dargestellten unvollständig eingebundenen Anschlusses.

 

 

 

Abb. 5: Bild eines seitlichen Anschlusses «unvollständig eingebunden

 

In der automatisierten Erkennung mit künstlicher Intelligenz nach Abb. 6 wird sowohl der Anschluss (grün), als auch der Schaden (rot) gekennzeichnet. Das vermittelt sofort eine visuelle Darstellung über die Schwere des Schadens.

 

 

Abb. 6: Seitlicher Anschluss unvollständig eingebunden

 

Der Vorteil der «Machine Learning Image Segmentation» ist, dass die Geometrien der Schäden und Verschmutzungen über die Pixelinformationen ausgewertet werden können. Diese Auswertungen können dann als Informationen dem Ingenieur direkt oder nachgeschalteten Applikationen zur Verfügung gestellt werden. Damit können Schweregrade der Schäden sehr viel besser erkannt werden.

 

Ein weiterer Vorteil der «Machine Learning Image Segmentation» liegt darin, dass für das Trainieren der Modelle weniger manuelle Annotationen benötigt werden. In unserem Projekt haben wir trotzdem weit mehr als 1000 solche manuellen Annotationen ausgeführt.

 

Andererseits ist gerade die Kernkompetenz der LeanBI, auch mit wenig Trainingsdaten bereits hochwertig Machine Learning Modelle zu erzeugen. Neben der Auswahl der Modelle spielt dabei das sogenannte «Augmentation», also das künstliche Erweitern des Bildmaterials zu Trainingszwecken eine entscheidende Rolle.

 

Einen Nachteil des «Machine Learning Image Segmentation» wollen wir aber nicht verschweigen. Die manuelle Annotation muss sehr genau ausgeführt werden, sonst funktioniert die künstliche Intelligenz nicht gut genug. Deshalb haben wir alle Annotationen intern im Projekt durch Fachpersonen umgesetzt und bewusst keine externen Kräfte genutzt.

 

Ziel des Projektes war, einen «Recall» von nahezu 100% zu erhalten. Das bedeutet, dass uns innerhalb der definierten Schadensklassen keine Schäden bzw. Verschmutzungen durch die Lappen gehen. Denn Schäden nicht zu detektieren ist weitaus problematischer als ab und zu einen Schaden fälschlicherweise auszuweisen. Dann kann der Ingenieur einen solchen «False Positive» im Inspektionsprozess durch einen Tastendruck einfach löschen. Das Ziel haben wir für verschiedenen Schadensklassen erreicht, einige andere wird die künstliche Intelligenz über die Zeit erlernen, da ja die Ingenieure kontinuierliches Feedback in die Applikation zurückgeben.

 

Und hiermit wären wir wieder beim Thema, wie die künstliche Intelligenz den Ingenieur unterstützt. Der Ingenieur soll sich auf die schwierigen und seltenen Fälle wie Wurzeleinschlüsse oder Infiltrationen konzentrieren, bei den häufigen Fällen wie Risse, Ablagerungen, Deformationen, usw. wird hingegen der Ingenieur durch die künstliche Intelligenz im Monitoring und Dokumentation unterstützt. Damit wird der Ingenieur nicht nur effizienter, auch seine Arbeit wird qualitativ hochwertiger. Der Ingenieur hat weiterhin mindestens die wichtige Kontrollfunktion.

 

Die vorliegende Erkennungs-Software ist so aufgesetzt, dass sich diese in ein bestehendes Inspektionstool wie beispielsweise KINS integrieren lässt. Die Bilddaten werden aus der Inspektionssoftware exportiert, durchlaufen den automatisierten Erkennungs- und Annotationsprozess und werden danach wieder in die Inspektions-Software importiert. Dort lassen sich dann die Bilddaten durch den Ingenieur kontrollieren, nachbearbeiten und dokumentieren.

 

Wenn Schäden besser und frühzeitiger erkannt werden, erfolgen Erneuerungen anstelle von Auswechslungen und weniger Sanierungen, die gar nicht nötig gewesen wären. Dies bringt Reduktionen der Sanierungskosten mit sich. Und auch für Mensch und Umwelt wird etwas getan: Qualitativ besseres Monitoring verhindert ungewollte Abwasseraustritte in die Umgebung und Infiltrationen bei Frischwasserleitungen.

 

Wir sind davon überzeugt, dass durch die Hilfe der künstlichen Intelligenz in Kombination der Pano-Technologie sich rund die Hälfte bis zwei Drittel der heutigen Erkennungsfehler eliminieren lassen. Einhergehend bei dieser Schätzung ist, dass auch visuelle Einschränkungen wie schlechte Beleuchtung, schlechte Bildauflösung oder schlechte Sicht durch Verschmutzungen sich verringern. Hier sollte sich über die nächsten Jahre die Aufnahme-Technologie verbessern bei vermehrtem Einsatze der Pano-Technologie.

 

[1] Sanierungsfall Abwassersystem, Max Maurer, Sabine Hoffmann | 21.05.2019

[2] Vollzug Umwelt, Mitteilung zum Gewässerschutz Nr. 42, Kosten der Abwasserentsorgung, 2003

[3] Richtlinie zur Kalkulation der Werterhaltungskosten von Abwasseranlagen, Seite 70, Umwelt und Energie (uwe), Kanton Luzern, 2019

 

 

 

Postkarte von der 16. Unternehmertagung beim ASTRA

Bild: Marc Tesch bei der Präsentation

 

LeanBI präsentierte an der 16. Unternehmertagung beim ASTRA die Automatisierung der Schadenserkennung an Ingenieurbauwerken mit Deep Learning.

 

Fazit:

  1. KI-Technologie bringt eine massive Effizienzsteigerung bei Inspektionen von Ingenieurbauwerken.
  2. KI-Technologie für die Schadenserkennung ist vorhanden und praktisch einsetzbar. Bei guter Bildqualität ist die KI-Erkennung schon gut und wird in Zukunft noch viel besser.
  3. Die Qualität der Bilddaten ist Schlüsselfaktor und muss kontrolliert werden.
  4. Auch wenn die Technologie da ist, wird der Wandel hin zu KI unterschiedlich lange dauern (Change Management). Service-Plattformen mit KI werden helfen, die Wandel zu beschleunigen.

Digitaler Retrofit integriert Anlagen in Industrie 4.0

LeanBI in den Medien zum Thema:

 

Industrie 4.0 ist gekommen, um zu bleiben. Altsysteme können mit Hilfe von Sensor- und Steuerungstechnik auch in Zeiten der Digitalisierung sinnvoll eingesetzt werden. Wir haben sechs Anwendungsfälle identifiziert, bei denen sich ein digitaler Retrofit lohnt.

 

 

 

zdnet.de: Digitaler Retrofit für Altysteme

 

elektronikpraxis.de: In diesen sechs Bereichen ist ein digitaler Retrofit  sinnvoll

 

INDUSTR.com: Digitaler Retrofit integriert Altysteme in moderne Workflows

 

news.it-matchmaker.com: Digitaler Retrofit integriert Anlagen in Industrie 4.0

 

i40-magazin.de: Altsysteme Industrie 4.0-tauglich machen

 

industry-of-things.de: In diesen Bereichen ist ein digitaler Retrofit sinnvoll

 

Der Maschinenbau: Altsysteme Industrie 4.0-tauglich machen

 

organisator.ch: Digitaler Retrofit integriert Altsysteme in moderne Workflows

 

it-production.com: Altsysteme Industrie 4.0-tauglich machen

 

www.bigdata-insider.de: In diesen Bereichen ist ein digitaler Retrofit sinnvoll

 

service-and-maintenance.com: Altsysteme Industrie 4.0-tauglich machen

 

iavcworld.de: Digitaler Retrofit integriert Altysteme in moderne Workflows

 

m-q.ch: Digitaler Retrofit integriert Altsysteme in moderne Workflows

 

itiko.de: Digitaler Retrofit integriert Altysteme in moderne Workflows und Industrie 4.0

 

trovarit.com: Digitaler Retrofit integriert ältere Anlagen in Industrie 4.0