Proof of Concept für Predictive Maintenance Lösung

Der Kunde

Unser Kunde Arce­lor­Mit­tal Bremen GmbH verfügt über hoch­mo­derne Anla­gen, mit denen bis zu 3,5 Milli­o­nen Tonnen Rohstahl pro Jahr herge­stellt und anschlie­ßend zu warm, kalt­ge­wa­lz­tem und feuer­ver­zink­tem Flach­stahl weiter­ver­a­r­bei­tet werden. 

Der Walz­vor­gang von Bram­men zu Coils ist ein inte­gra­ler Arbeits­vor­gang und die dafür genutzte Anlage von hoher Bedeu­tung. Still­stände finden nur zu geplan­ten Wartungs­ter­mi­nen statt. Das Moni­to­ring ist bereits gut ausge­baut und hilft, zusam­men mit der Erfah­rung der Mita­r­bei­ten­den, bei der Fest­stel­lung von nöti­gen Wartungs­tä­tig­kei­ten. Die Nutzung von Sens­or­da­ten bietet hier weite­res Verbes­se­rungs­po­ten­tial bei der Erfas­sung von zu behe­ben­den Mängeln.

Die Aufgabe

Eine früh­zei­tige Erken­nung von Abwei­chun­gen und Fehlern kann mittels verschie­de­ner Daten­ty­pen und Abhän­gig­kei­ten zwischen diesen erreicht werden.

Ziel des Projek­tes war die Erar­bei­tung eines Proof of Concept, um heraus­zu­fin­den, ob mit bereits gesam­mel­ten Daten und deren vorlie­gen­dem Format eine Predic­tive Main­te­nance (PM) Lösung reali­sier­bar ist.

Im ersten Schritt wurden die verschie­de­nen Daten­ty­pen auf ein einheit­li­ches Format gebracht. Die Heraus­for­de­rung besteht darin, die unter­schied­li­chen Granu­la­ri­tä­ten, in denen Mess­werte vorlie­gen, auf eine gemein­same Basis zu brin­gen und dazu ggf. zu aggre­gie­ren. Basie­rend auf dem resul­tie­ren­den Daten­set können anschlie­ßend Zyklen iden­ti­fi­ziert und maschi­nelle Lern­ver­fah­ren einge­setzt werden, um Anoma­lien in diesen zu finden, die für Vorher­sa­gen heran­ge­zo­gen werden können.

Die Umsetzung

Die Evalu­ie­rung wurde in vier Phasen umge­setzt.

  1. Sich­tung und fach­li­che Einord­nung der Daten.
  2. Trans­for­ma­tion der Daten auf einheit­li­che Zeit­stem­pel und in ein einheit­li­ches Format.
  3. Schritt­wei­ses Zusam­men­füh­ren der Daten in Teil- und ein Gesamtset.
  4. Tren­nen von Zyklen zur Einzel­be­trach­tung
Ergebnis

Final besteht das Ergeb­nis aus drei Bestand­tei­len.

  1. Eine zusam­men­ge­führte Daten­ba­sis, tiefe Einbli­cke in die Daten und ein defi­nier­tes Vorge­hen, auf dem weiter aufge­baut werden kann.
  2. Trai­nierte Modelle und vorbe­rei­tete Featu­res als Basis für Trai­ning und Vergleich verschie­de­ner Lern­ver­fah­ren.
  3. Eine breite Hand­lungs­emp­feh­lung für nutz­bare Tech­no­lo­gien und Verbes­se­rungs­po­ten­ti­ale in der Daten­er­fas­sung sowie die Schluss­fol­ge­rung, dass die Daten­grund­lage für eine zukünf­tige PM-Lösung nutz­bar ist.
Methoden, Technologien
  • Proof of Concept für eine mögli­che Predic­tive Main­te­nance Imple­men­ta­tion
  • Date­n­ana­lyse, Datenglät­tung und Trans­for­ma­tion
  • Zykle­n­ana­lyse und Erar­bei­tung einer Hand­lungs­emp­feh­lung
  • Azure Data­lake Storage Gen2
  • Data­bricks
  • Python
  • PySpark
  • Flint

Projektbericht herunterladen

Ihr Ansprechpartner

Beratung Digitalisierung / Branche Logistik und Industrie