Stahlcoils

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:

  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

Datenbasis, trainierte Modelle und Handlungsempfehlung für die PM

Final besteht das Ergeb­nis aus drei Teilen:

  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

Die eingesetzten Technologien (Auswahl)

  • Azure Data Lake Storage Gen2, Data­bricks
  • Python, PySpark, Flint

Ihr Ansprechpartner für dieses Projekt

Heiko Müller

Beratung Digitalisierung / Branche Logistik und Industrie

0421 20750 400 E-Mail senden