Ausgangssituation

Die cloudbasierte Predictive Maintenance Lösung eines Pumpenherstellers soll um ein zusätzliches Angebot erweitert werden, das sich an Betreiber kritischer Pumpensysteme richtet. Anlagenbetreiber, die komplexe Pumpensysteme mit einer Vielzahl unterschiedlicher Pumpen betrieben, möchten keine Insellösung für jeden Pumpenhersteller stattdessen benötigen diese Unternehmen ein zentrales System für alle Anlagen. Zudem sind derartige komplexe Anlagen oftmals Teil kritischer Prozessschritte, so dass der Einsatz einer cloudbasierte Lösung zur vorausschauenden Wartung aufgrund der Datenübertragung kritisch zu betrachten ist. Daher soll ein spezifisches Angebot auf Basis der existierenden Lösung entwickelt werden, dass die speziellen Anforderungen an die Datenverfügbarkeit, -nutzung und -sicherheit dieser Kundengruppe berücksichtigt. Zudem sollen komplexere Vorhersagen zur Kavitation ermöglicht werden, um Kavitationsbetrieb vollständig zu vermeiden.

Keine Daten verfügbar

Akkurate Vorhersagen von unvorhersehbaren Ereignisse im Feld wie Maschinenausfälle oder -störungen erfordern sehr große Datenmengen für jeden Pumpentyp eines Herstellers. Neben der fortlaufenden oder periodischen Erfassung von Maschinen- und Prozessdaten ist insbesondere der Zusammenhang zu historischen Ereignissen wie Ausfällen, Störungen oder Reparaturen entscheidend. Hierdurch ist es möglich die Eintrittswahrscheinlichkeiten bestimmter Ereignisse vorherzusagen, um Aussagen über den zu erwartenden Wartungsbedarf zu treffen. Diese Daten direkt im Feld beim Anwender zu erfassen, scheitert allerdings oft am grundsätzlichen Problem beim Einsatz von KI in der Industrie. Unternehmen wollen ihre Daten nicht teilen. Das trifft auch auf industrielle Anwender, die kritische Pumpensysteme betreiben und sensible Prozesse ausführen, zu. Denn Unternehmen wollen ihr Prozesswissen schützen und Ihre Wettbewerbsfähigkeit sichern. Daher werden normale cloudbasierte Predictive Maintenance Lösungen nur von bestimmten Kundengruppen adaptiert und von anderen komplett vermieden. Aber nur mit den Daten bestimmter Kundengruppen ist es möglich ein KI-Modell zu trainieren, das unvorhersehbare Ereignisse perfekt vorhersagt.

Lösung

Die bestehende Predictive Maintenance-Lösung des Pumpenherstellers wird um unsere Plattform erweitert. Bestandskunden der bestehenden Lösung übertragen weiterhin direkt ihre Daten in die Cloud des Pumpenherstellers, wo diese in ein zentrales KI-Modell einfließen. Für komplexere Pumpensysteme werden dagegen dezentral auf der Edge kundenspezifische KI-Modelle berechnet, die von den Erkenntnissen des zentralen Modells profitieren. Bei diesem hybriden Ansatz des Federated Learnings profitieren alle Kunden voneinander mit dem Unterschied, dass die sensiblen Daten größerer Anlagen nicht in die Cloud übertragen werden. Die kundenspezifischen Modelle ermöglichen Vorhersagen in Echtzeit mit einer signifikant höheren Genauigkeit, um Maschinenausfälle komplett zu verhindern. Zur Vorhersage und frühzeitiger Erkennung von Kavitation erfasst zusätzliche Sensorik Audiodaten, die direkt auf der Edge analysiert werden. Als zentraler digitaler Mehrwert können die kundenspezifischen Modelle über Schnittstellen direkt in die bestehenden Systeme des Kunden integriert werden, so dass alle Informationen zentral in einem System zusammen laufen.

Durch den Einsatz von unserer Plattform können die Anforderungen von diesem Kundensegment ausgezeichnet erfüllt werden, denn die Prozessdaten verbleiben in der Anlage und die KI-Modelle zur vorausschauenden Wartung können in die bestehenden Systeme der Anlagenbetreiber integriert werden.

Erste Schritte

Die Entwicklung eines dezentralen Modells beginnt mit der Datenerfassung. Zunächst werden im Technikum oder Labor erste Datensätze der Pumpen erfasst, um ein erstes Modell zu trainieren. Entscheidend bei der Datenerfassung ist das Labeling der Daten, also das Kennzeichnen der Datensätze nach Fehlerfällen. Hierzu werden Experimente mit verschiedenen Maschinenparametern und Zykluszeiten durchgeführt und die Versuchsergebnisse ausgewertet, um identifizierte Merkmale von Fehlerfällen mit den Steuerungsdaten in Zusammenhang zusetzen. Eine ebenfalls sehr wertvolle Datenquelle sind historische Daten, die einem bestimmten Fehlerfall zugeordnet werden können.

Mit diesen gesammelten Daten wird ein erstes KI Modell zur Identifikation der zentralen Einflussfaktoren auf den Betriebspunkt trainiert, mit dem Ziel Vorhersagen über Ausfälle und Störungen zu ermöglichen.

Kontinuierliche Verbesserung

Kontinuierliche Trainings- und Deploymentzyklen verbessern das Model fortlaufend und durch spezielle Modellmetriken (Federated Analytics) wird zudem sichergestellt, dass diese Verbesserungen auch für den jeweiligen Anwender eine Verbesserung des Modells darstellen. Wenn dieser Reifegrad erreicht ist, ist der richtige Zeitpunkt, um fortschrittlichere Modelle zu trainieren, die zur Verbesserung der gesamten Maschinenverfügbarkeit beitragen.