
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.
- 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
Ergebnis
Final besteht das Ergebnis aus drei Bestandteilen.
- 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.
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
Ihr Ansprechpartner
