Predictive Maintenance mit Deep-Learning-Algorithmen in der Industrie 4.0

Herausforderung

Ein international agierender Maschinenbauer treibt die Digitalisierung seiner Produktion weiter voran. Ein Anknüpfungspunkt: Die datengestützte Optimierung der Instandhaltung. Die dafür zur Verfügung stehende Datenbasis enthält unter anderem Sensormesswerte, welche Fehler- und Störungsmeldungen in unterschiedlichen Zeitintervallen aufweisen. Der Maschinenbauer verfügt dadurch über umfangreiche Informationen, denn über hundert Maschinen mit jeweils mehr als 250 Sensoren liefern kontinuierlich Daten.

Lösung

Der Schlüssel zur verlässlichen Vorhersage von Maschinenfehlern liegt in der Erkennung von wiederkehrenden Datenmustern im Vorfeld der historisch dokumentierten Maschinenstörungen und -ausfälle. In diesem Fall setzten die Data Science Spezialisten auf ein Deep-Learning-Modell. Deep Learning, eine Methode aus dem Bereich des Machine Learning, kann mit künstlichen neuronalen Netzen große Datenmengen von unterschiedlicher Komplexität auf mehreren Ebenen analysieren, um so komplexe Zusammenhänge zu erkennen. Je mehr Daten zum Trainieren des Deep-Learning-Modells genutzt werden, desto präziser werden die Ergebnisse, denn der Lernalgorithmus optimiert sich im Analyseprozess selbst.

Ausgehend von dieser Methode hat eoda ein Multilabel-Klassifizierungs-Model entwickelt, um das Auftreten der spezifischen Fehlermeldungen von Sensordaten zu registrieren. Hierbei wurden mehrere Error-Meldungen in Klassen eingeteilt und für eine deskriptive Analyse bestimmter Zeitintervalle durchgeführt. Dafür wurde die Programmiersprache R gewählt, die sich gerade bei einer Vielzahl von individuellen Variablen für die Durchführung eines Proof of Concept empfiehlt.

Im Vorfeld erfolgte eine Datenvorverarbeitung: Messwerte der Sensordaten aus unterschiedlichen Quellen wurden aggregiert, skaliert und transformiert, damit ein einheitlicher Standard zum Datenvergleich entstehen konnte. Erst durch diesen Schritt waren die Daten analysierbar, da jeder Sensor in unterschiedlichen Intervallen und zu unterschiedlichen Zeitpunkten misst. Diese Messwerte mussten so bearbeitet werden, dass die Daten aus unterschiedlichen Informationsquellen in ein einheitliches Format übertragen werden konnten und auch maschinenübergreifend auf einer Basis sind.

Im nächsten Schritt wurde eine sinnvolle Informationsaufteilung in Trainings, Test und Validierungsdaten geschaffen. Dadurch, dass die Fehler in den Daten ungleich verteilt waren, war es notwendig nicht nur zufällige Stichproben zu ziehen, sondern mit einem Down- bzw. Upsampling zu arbeiten, um eine sinnvolle Verteilung von Fehlern und Nichtfehlern zu erhalten. Der dabei entstehende Lerneffekt durch das Trainieren, Testen und Verifizieren ist der wichtigste Schritt in der Modellbildung – insbesondere um ein Under- und Overfitting zu vermeiden.

Aufgrund des Big-Data-Szenarios und einer langen Berechnungszeit, wurde die cloudbasierte Arbeitsstation Amazon Web Services (AWS) einbezogen, um den Prozess zu beschleunigen. Mit dem ersten Prototyp konnten verschiedene Schichtarchitekturen ermittelt und evaluiert werden. Abweichungen, die auf die Vorverarbeitungsphase zurückzuführen waren, wurden so verbessert. Die technischen Rahmenbedingungen für das Deep-Learning-Framework waren in diesem Fall durch eine Keras API, geschrieben in Python, gegeben, die eine Schnittstelle für die Deep Learning Bibliothek TensorFlow bietet.

Im letzten Schritt wurde die Beurteilung eines Klassifikators nach der relativen Häufigkeit berechnet. Hierzu wurde eine Konfusionsmatrix mit dem Schwerpunkt der Kostenminimierung erstellt. Die aus der Matrix ablesbaren Werte zeigen die Auftrittshäufigkeiten von Merkmalskombinationen.

Ergebnis

Durch das Deep-Learning-Modell von eoda ist der Maschinenbauer in der Lage, Vorhersagen über Störungen an Industrieanlagen zu treffen und proaktiv die entsprechenden Maßnahmen zur Instandhaltung einzuleiten. So werden nicht nur teure und unerwartete Ausfälle vermieden, sondern auch die vorgegebenen Produktionsziele leichter erreicht. Dieser Case ist ein erfolgreiches Beispiel, wie Daten und Algorithmen die Basis für eine zuverlässige und profitablere Produktion bilden können.

Durch die Umsetzung des vorgeschalteten Proof-of-Concept lassen sich nicht nur in kurzer Zeit wichtige Erkenntnisse für die Beantwortung individueller Fragestellungen ermitteln, sondern vor allem auch Aussagen über die Realisierbarkeit und Profitabilität des konkreten Use Cases treffen. Erst im Falle einer positiven Einschätzung erfolgt die Implementierung des Analysemodells in die Geschäftsprozesse.