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 vorliegendem Format eine Predictive Maintenance Lösung bei ArcelorMittal Bremen realisierbar ist.
Kunde
ArcelorMittal Bremen GmbH
Branche
Industrie
Lösungen
Datenevaluierung und Handlungsanleitung
Unsere Leistungen
- Gutachten einer möglichen PM-Implementation
- Datenanalyse
- Datenglättung und Transformation
- Zyklenanalyse und Handlungsempfehlung
Der 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.
Predictive Maintenance in der Stahlerzeugung
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.
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.
Evaluierung der Daten
Im ersten Schritt brachten wir die verschiedenen Datentypen auf ein einheitliches Format. Die Herausforderung bestand darin, die unterschiedlichen Granularitäten, in denen Messwerte vorliegen, auf eine gemeinsame Basis zu bringen und dazu ggf. zu aggregieren. Basierend auf dem resultierenden Datenset konnten anschließend Zyklen identifiziert und maschinelle Lernverfahren eingesetzt werden, um Anomalien in diesen zu finden, die für Vorhersagen herangezogen werden können.
Die Evaluierung setzten wir in vier Phasen um:
- Sichtung und fachliche Einordnung der Daten
- Transformation der Daten auf einheitliche Zeitstempel und in ein einheitliches Format
- schrittweises Zusammenführen der Daten in Teil- und ein Gesamtset
- Trennen von Zyklen zur Einzelbetrachtung
Datenbasis, trainierte Modelle und Handlungsempfehlung für die PM
Final besteht das Ergebnis aus drei Teilen:
- eine zusammengeführte Datenbasis, tiefe Einblicke in die Daten und ein definiertes Vorgehen, auf dem weiter aufgebaut werden kann
- trainierte Modelle und vorbereitete Features als Basis für Training und Vergleich verschiedener Lernverfahren
- eine breite Handlungsempfehlung für nutzbare Technologien und Verbesserungspotentiale in der Datenerfassung sowie die Schlussfolgerung, dass die Datengrundlage für eine zukünftige PM-Lösung nutzbar ist
Die eingesetzten Technologien (Auswahl)
- Azure Data Lake Storage Gen2, Databricks
- Python, PySpark, Flint
Ihr Ansprechpartner für dieses Projekt
