Zeitschriftenartikel
Predictive Maintenance in der industriellen Praxis
Vorschaubild nicht verfügbar
Volltext URI
Dokumententyp
Text/Journal Article
Zusatzinformation
Datum
2018
Autor:innen
Zeitschriftentitel
ISSN der Zeitschrift
Bandtitel
Verlag
Springer
Zusammenfassung
Prädiktive Instandhaltung stellt eine vorrausschauende Wartungsstrategie dar, die darauf abzielt, bevorstehende Fehler oder die restliche Lebensdauer einer technischen Anlage zu prognostizieren. Mit den Vorhersagen können Wartungsmaßnahmen proaktiv und zustandsabhängig eingeleitet werden, was einen optimierten Ressourceneinsatz ermöglicht. Grundlage dieses Ansatzes ist die Aufzeichnung umfangreicher Maschinendaten und deren Analyse mit Verfahren des maschinellen Lernens, um komplexe Zusammenhänge zwischen Zustandsdaten und entsprechenden Zielvariablen (z. B. der Restlaufzeit) abzubilden. Das Vorhandensein zahlreicher Monitoring-Daten führt jedoch nicht per se zu einer guten Informationslage für die Entwicklung von zielführenden Prognosemodellen. Im vorliegenden Beitrag wird beispielsweise eine Fallstudie vorgestellt, wo die Herausforderung darin bestand, den optimalen Zeitpunkt für einen verschleißbedingten Werkzeugwechsel einer Fräsmaschine vorherzusagen. Da in der Vergangenheit die Fräswerkzeuge häufig weit vor ihrer tatsächlichen Laufzeit getauscht wurden, würde ein Prognosemodell auf Basis dieser Werkzeugstandzeiten ein irrtümliches (in diesem Fall zu risikoscheues) Bild wiedergeben. Vor diesem Hintergrund beschäftigt sich der vorliegende Beitrag mit der Entwicklung eines Verfahrens zur Optimierung einer Wartungsstrategie unter eingeschränkten Informationen ausgehend von einer Fallstudie der industriellen Praxis. Zum Einsatz kommen Verfahren zur Feature Extraction in Zeitreihen, Techniken des Unsupervised Learnings zum Clustern von Zustandsdaten sowie rekurrente neuronale Netze für die Entwicklung eines Prognosemodells zur Bestimmung der Restlaufzeit. Mit dem entwickelten Ansatz ist es möglich, bislang subjektive Entscheidungen durch datengetriebene Entscheidungen zu ersetzen und damit die durchschnittliche Werkzeugstandzeit zu verlängern. Der Beitrag demonstriert weiterhin, wie trotz zunächst unzureichender Informationslage mit Machine Learning Entscheidungsunterstützungssysteme entwickelt werden können. Predictive maintenance is an anticipatory maintenance strategy designed to predict impending errors or the remaining useful lifetime of a technical system. With its predictions, maintenance actions can be taken condition-based and proactively leading to an efficient use of resources. The basis for this approach is the recording of extensive machine data and their analysis with means of machine learning to learn complex relationships between condition data and related target variables, e. g. the remaining useful life. However, the existence of numerous monitoring data does not imply that there is a good information base for the development of meaningful predictive models. In this paper, for example, a study is presented where the challenge was to predict the optimal time to replace a wear-induced tool of a milling machine. Since in the past the milling tools were often replaced way before the end of their actual lifetime, a predictive model based on this training data would describe a risk averse and thus non-optimal maintenance strategy. Against this background, the present paper deals with the development of a methodology for optimizing a maintenance strategy based on incomplete information from industrial practice. The proposed methodology is based on a broad range of analytical techniques, including feature extraction for the preprocessing of time series data, unsupervised learning for clustering condition monitoring data and a recurrent neural network for the development of a predictive model to determine the remaining useful life. With the approach developed, it is possible to replace decisions which were so far taken based on subjective criteria with data-driven decisions to increase the milling tool lifetime. Additionally, this work contributes to the question how to develop decision support systems despite vague and insufficient information with the means of machine learning.