Proof of Concept für Predictive Maintenance Anwendung

Erarbeitung eines Proof of Concept, um herauszufinden, ob mit Daten im vorliegendem Format eine Predictive Maintenance (PM) Lösung realisierbar ist.

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.

Bild von mehreren metallischen Zahnrädern.
Apperatur

Die Umsetzung in drei Phasen

Die Evalu­ie­rung wurde in drei Phasen umge­setzt: 

  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 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