Predictive Maintenance and Diagnostics

Verbesserte Einsatzplanung und Diagnose
durch Machine Learning

 

Graphik_PredictiveMaint

 

AUSGANGSSITUATION

  • Kontext: Hersteller Personenbeförderung. Maschinen erzeugen und übermitteln Daten über die Cloud.
  • Anforderungen: Ausfälle erfordern schnelle Reaktionszeiten und kurzfristigen Personaleinsatz auch an Wochenenden und Feiertagen. Häufige Ausfälle führen zu Image-Schaden.
  • Ziel: Ausfälle vorhersehen sowie vermeiden und so die Personaleinsatzplanung und Materiallogistik verbessern

 

UMSETZUNG

  • Technische Zielsetzung: Vorhersage von Ausfallwahrscheinlichkeiten und Fehlerursachen aus Maschinendaten
  • Ermittlung relevanter Indikatoren für Ausfälle über Mustererkennung, Korrelationsanalysen und Häufigkeitsanalysen
  • Erarbeitung prädiktiver Modelle zur Vorhersage von Ausfallereignissen und deren Fehlerursachen auf Basis von Machine Learning Algorithmen
Screen_PredictiveMaint

ERGEBNIS

  • Reduktion von Ausfallkosten durch Vorziehen von Routinewartungen bei hohen Ausfallwahrscheinlichkeiten
  • Reduzierte Personalkosten durch bessere Einsatzplanung und Vermeidung von Wochenend- und Feiertagseinsätzen sowie schnellere Bearbeitung durch automatisch unterstützte Diagnosen
  • Nächste Schritte: Optimierung der Sensordatenquantität und -qualität in Hinblick auf die eingesetzten Vorhersagemodelle für weiter verbesserte Vorhersagen