Referenz
Proof of Concept für Predictive Maintenance Lösung
Fehler von Anlagen lassen sich mit Predictive Maintenance prognostizieren. Wir erarbeiteten einen Proof of Concept, um herauszufinden, ob mit Daten im vorliegenden Format eine Predictive Maintenance Lösung bei ArcelorMittal Bremen realisierbar ist.
Kunde
ArcelorMittal Bremen GmbH
Branche
Industrie
Lösungen
Datenevaluierung und Handlungsanleitung
Wer ist unser Kunde?
Unser Kunde ArcelorMittal Bremen 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.
Mit welcher Fragestellung ist ArcelorMittal zu uns gekommen?
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 war bereits gut ausgebaut und half, zusammen mit der Erfahrung der Mitarbeitenden, bei der Feststellung von nötigen Wartungstätigkeiten. Die Nutzung von Sensordaten bot hier weiteres Verbesserungspotential bei der Erfassung von zu behebenden Mängeln.
Eine frühzeitige Erkennung von Abweichungen und Fehlern kann mittels verschiedener Datentypen und Abhängigkeiten zwischen ihnen erreicht werden.
Um herauszufinden, ob mit bereits gesammelten Daten und deren vorliegendem Format eine Predictive Maintenance (PM) Lösung realisierbar war, sollte ein Proof of Concept erarbeitet werden.
Wie sind wir vorgegangen? In welchen Phasen haben wir gearbeitet?
Im ersten Schritt brachten wir die verschiedenen Datentypen auf ein einheitliches Format. Die Herausforderung bestand darin, die unterschiedlichen Granularitäten, in denen Messwerte vorlagen, auf eine gemeinsame Basis zu bringen und dazu ggf. zu aggregieren. Basierend auf dem resultierenden Datenset identifizierten wir anschließend Zyklen und setzten maschinelle Lernverfahren zum Aufspüren von Anomalien, die für Vorhersagen herangezogen werden können, ein.
Die Evaluierung führten wir in vier Phasen aus:
- Wir sichteten und ordneten die Daten fachlich ein.
- Anschließend wurden die Daten auf einheitliche Zeitstempel und in ein einheitliches Format transformiert.
- Folgend führten wir die Daten schrittweise in Teil- und ein Gesamtset zusammen.
- Abschließend wurden die Zyklen zur Einzelbetrachtung getrennt.
Das Projekt lieferte eine aufbereitete Datenbasis, trainierte Modelle sowie konkrete Handlungsempfehlungen.
Wie sieht die von uns geschaffene Lösung aus?
Das Ergebnis besteht aus drei Teilen. Erstens wurde eine zusammengeführte Datenbasis geschaffen, die tiefe Einblicke in die Daten ermöglicht und ein definiertes Vorgehen liefert, auf dem weiter aufgebaut werden kann. Zweitens stehen trainierte Modelle und vorbereitete Features als Basis für das Training und den Vergleich verschiedener Lernverfahren zur Verfügung. Drittens umfasst das Ergebnis eine breite Handlungsempfehlung für nutzbare Technologien und Verbesserungspotenziale in der Datenerfassung – sowie die Schlussfolgerung, dass die vorhandene Datengrundlage für eine zukünftige PM-Lösung geeignet ist.
Die eingesetzten Technologien (Auswahl)
- Azure Data Lake Storage Gen2
- Databricks
- Python
- PySpark
- Flint
Ihr Ansprechpartner für dieses Projekt
