27/02/2019

Vorgehensweise bei Predictive Maintenance Projekten anhand des Fallbeispiels Post Verteilzentrum


LeanBI durfte an der Smart Maintenance Konferenz vom 13. Februar 2019 anlässlich der Swiss Maintenance Fair einen Vortrag über Predictive Maintenance halten. Diese Konferenz wurde in Zusammenarbeit mit der Swiss Alliance for Data-intensive Services, bei welchem wir auch Mitglied sind, durchgeführt.

Bei unserem Vortrag ging es spezifisch um die Vorgehensweise bei Predictive Maintenance Projekten. Dies haben wir an unserem Case der Schweizerischen Post Verteilzentrum erläutert.

Wenn wir Predictive Maintenance Projekte angehen, sollte man das Vorgehensmodell auf 3 Ebenen betrachten. Auf der strategischen Ebene geht es darum, den Nutzen von Predictive Maintenance überhaupt zu erkennen und zu quantifizieren. Dafür ist es gut, wenn man sich an bestehenden externen Use Cases orientiert und diese gegenüber den eigenen Kernkompetenzen spiegelt. Diese Technik nennt man „Inside Out <-> Outside In“. Das ist einfacher gesagt als getan, aber wir unterstützen dabei, konkrete Ergebnisse zu erhalten. Nach dieser strategischen Betrachtung sollten die Use Cases selektiert sein, die für das Unternehmen in Zukunft den grössten Nutzen bringen.

Abb: Vorgehensweise bei Predictive Maintenance Projekten

Auf der zweiten, nämlich der Projektebene legt man dann die Use Cases auf eine Roadmap. Wir selber sind der Meinung, dass eine Selektion nach den Kriterien „Dringlichkeit“, „Marchbarkeit“ (besonders bezüglich der Datenlage) und „Nutzen“ schon bereits ausreicht, um eine gute Roadmap zu gestalten.

Alle reden von der Notwendigkeit agiler Projektumsetzung auf dem Gebiet von Artificial Intelligence und Data Science. Das ist nicht falsch, aber wir sind der Meinung, dass man ein solches Projekt sehr wohl klassisch strukturieren sollte und das agile Vorgehen dann innerhalb der Projektphasen abläuft. Das Konzept zum Start ist und bleibt ein wichtiger Schritt, jedoch diese Konzeptphase kann sehr kurz gehalten werden. Da reichen schon 1 bis 3 Tage Aufwand bis zur Fertigstellung.

Ausgehend davon macht ein PoC (Proof of Concept) Sinn. Dieser PoC kann auf unseren Plattformen mit echten, aber Offline- Daten auch schnell und effizient erbracht werden. Das Ergebnis des PoC ist ein funktionsfähiges laufendes Predictive Maintenance Modell mit jedoch noch nicht allzu hoher Genauigkeit. Mit dem PoC verifiziert man die Machbarkeit und Übertragbarkeit. Gleichzeitig hat unser Kunde gegenüber dem Management einen Showcase, der die Nutzenthematik konkretisiert.

Danach erfolgen in der Optimierungsphase das Verbessern des „Feature Extraction“ (Auswahl der Parameterfunktionen) und Modellierung auf Basis von Machine Learning Algorithmen.

Und nun zur letzten Ebene, zur Datenebene. Auf der Datenebene sind Data Scientist gefragt. Es gibt noch kaum „Out of the Box“- Lösungen, ausser für ganz spezifische Komponenten wie bspw. Motoren und Lager. Also heisst es, die Daten zuerst optimal aufzubereiten und dann dem Machine Learning Modell zuzuführen. Unser Vorteil ist, dass wir für verschiedene Basis- Use Cases vorgefertigte Modelle zur Verfügung haben. Das sind vortrainierte Modelle, die auch bei wenigen Fehler-Daten bereits hohe Genauigkeiten erbringen. Auch hat LeanBI auf verschiedenen Sensortechniken in den letzten Jahren ein grosses Know How aufbauen können. Das hilft uns nun, die oben genannten Projektphasen effizient zu durchschreiten.

Soweit das Thema „Vorgehensweise bei Predictive Maintenance Projekten“.

Wir werden am Industrieforum 2025 am 9. Mai im CAMPUSSAAL Brugg-Windisch unseren Post Case weiter mit Inhalt füllen. Hier werden wir vertieft auf die Resultate des Post Cases eingehen und wie wir daraus ein Standardprodukt LeanPredict entwickelt haben. Wir freuen uns bereits jetzt diesen Vortrag halten zu dürfen.

Processing...
Thank you! Your subscription has been confirmed. You'll hear from us soon.
leanBI Newsletter
Bleiben Sie auf dem Laufenden über die neuesten Trends in Business Intelligence, Big Data und Industrie 4.0.
ErrorHere