Der Kunde
Ein internationaler Stahlkonzern, der ein integriertes Hüttenwerk betreibt. Der Walzvorgang von Brammen zu Coils ist ein integraler Arbeitsvorgang und die dafür genutzte Anlage von kritischer Bedeutung. Stillstände finden nur zu geplanten Wartungsterminen statt. Das Monitoring ist bereits gut ausgebaut und hilft, zusammen mit der Erfahrung von Mitarbeitern, bei der Feststellung von nötigen Wartungstätigkeiten. Die Nutzung von Sensordaten bietet hier weiteres Verbesserungspotential bei der Erfassung von zu behebenden Mängeln.
Frühzeitige Erkennung von Abweichdaten
Eine frühzeitige Erkennung von Abweichungen und Fehlern kann mittels verschiedener Datentypen und Abhängigkeiten zwischen diesen erreicht werden. Ziel des Projektes war ein Gutachten, ob mit bereits gesammelten Daten und deren vorliegendem Format eine Predictive Maintenance (PM) Lösung realisierbar ist.
Im ersten Schritt müssen daher die verschiedenen Datentypen auf ein einheitliches Format gebracht werden, um Prozessdurchläufe abzubilden. Die Herausforderung besteht dabei darin, die unterschiedlichen Granularitäten, in denen Messwerte vorliegen, auf eine gemeinsame Basis zu formatieren und zusammenzuführen. Basierend auf dem resultierenden Datenset können anschließend Zyklen identifiziert und maschinelle Lernverfahren eingesetzt werden, um Anomalien in diesen zu finden.
Die Umsetzung in drei Phasen
Die Evaluierung wurde in drei 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 von Prozessdurchläufen sowie Durchführen einer Hauptkomponenten- und Korrelationsanalyse zum Herausarbeiten von Features.
Datengrundlage für eine PM-Lösung nutzbar
Final besteht das Ergebnis aus drei Bestandteilen. Erstens, eine zusammengeführte Datenbasis, tiefe Einblicke in die Daten und ein definiertes Vorgehen, auf dem weiter aufgebaut werden kann. Zweitens, Trainierte Modelle und vorbereitete Features als Basis für Training und Vergleich verschiedener Lernverfahren. Drittens, eine breite Handlungsempfehlungen für nutzbare Technologien und Verbesserungspotentiale in der Datenerfassung sowie die Schlussfolgerung, dass die Datengrundlage für eine PM-Lösung nutzbar ist.
Die Projektdetails auf einen Blick
- Gutachten einer möglichen PM-Implementation
- Datenanalyse
- Datenglättung und Transformation
- Zyklenanalyse und Handlungsempfehlung
Die eingesetzten Technologien (Auswahl)
- Azure Datalake Storage Gen2
- Databricks
- Python
- PySpark
- Flint
