Traditionelle Wartungen bedeuten branchenunabhängig für Unternehmen einen hohen Zeitaufwand und hohe Kosten, weil sie nur in vordefinierten regelmäßigen Zeitabständen und erst, wenn bereits ein Maschinenausfall vorliegt, durchgeführt werden. Der Einsatz von Predictive Maintenance dient der Wartung und Instandhaltung von Maschinen und steigern damit die Produktivität. Algorithmen analysieren und interpretieren gesammelte Messdaten, um potenzielle Ausfälle zu minimieren. Primär geht es darum, Wartungsarbeiten zu automatisieren und zu prognostizieren. Eine effektive Unterstützung bei den Berechnungen dazu bietet das Software-Tool Tensorflow, ein Framework, das maschinelle Lernmodelle beschreibt und realisiert.
Sie möchten Tensorflow effektiv für Predictive Maintenance Projekte einsetzen, dann wenden sie sich hierzu an uns für eine professionelle Beratung.
Der folgende Artikel beschäftigt sich somit mit folgenden Fragen:
- Was ist Predictive Maintenance und wie funktioniert Tensorflow?
- Welche Szenarien sind bei der Datenanalyse mittels Tensorflow und Predictive Maintenance möglich?
- Für welche Anwendungen eignet sich Tensorflow?
Was bedeutet Predictive Maintenance?
Der Begriff Predictive Maintenance kann mit „vorausschauende Wartung“ übersetzt werden. lässt sich beispielsweise für die Überwachung von Flugzeugturbinen einsetzen, um einem Ausfall dieser Turbinen vorzubeugen. Nützlich sind Predictive Maintenance Machine Learning-Algorithmen auch in Produktionsunternehmen. Aufgrund der in Maschinen und Anlagen integrierten Sensoren können Daten aller Art gesammelt werden. Aufgrund der Analyse und Auswertung dieser Daten können Fehler frühzeitig ermittelt, diagnostiziert und ein Ausfall von Maschinen oder Anlagen verhindert werden.
Entscheidend für Predictive Maintenance ist Machine Learning und damit verbundene Algorithmen. Mithilfe der Predicitve Maintenance Machine Learning-Algorithmen lassen sich Zusammenhänge in Datenmengen ermitteln, die dabei helfen, eine Ist-Zustandsdiagnose eines überwachten Systems und eine Prognose hinsichtlich der restlichen Lebensdauer der darin enthaltenen Maschinen zu generieren. Predictive Maintenance Machine Learning-Algorithmen lassen sich mithilfe des Open-Source-Frameworks Tensorflow erstellen. Das Framework wurde ursprünglich von Google für interne Zwecke entwickelt. Das heißt, es erlaubt die Programmierung neuronaler Netze. Tensorflow besitzt eine hohe Skalierbarkeit und kann auf Betriebssystemen von Smartphones, aber auch auf komplexen Systemen mit einer hohen Anzahl von Servern betrieben werden.
Wie funktioniert Machine Learning mit Tensorflow?
Bei Tensorflow handelt es sich um ein Open-Source-Framework für maschinelles Lernen. Ein Vorteil der Version 2.0 aus dem Jahr 2019 ist, dass Predictive Analytics Machine Learning-Algorithmen nicht nur auf dem Hauptprozessor, sondern auch auf einer Grafikkarte ausgeführt werden können. Damit können Kalkulationen besonders schnell durchgeführt werden. Zudem existiert die Keras-Schnittstelle, die einfach zu programmieren ist. Die Tensorflow-Architektur bzw. das Training und Deployment gestalten sich wie folgt:
Datenmodelle für das Predictive Maintenance Machine Learning lassen sich in Tensorflow mit sogenannten Tensoren erstellen, die mehrdimensionale numerische Arrays repräsentieren. Die Datenstruktur eines Tensors umfasst die Parameter Rang, Form und Typ. Tensoren definieren lediglich die numerischen Arrays und umfassen keinen Wert, der durch eine mathematische Operation generiert wurde. Mithilfe dieser Tensoren gelingt es, neuronale Netze für das Predictive Modelling Machine Learning zu programmieren. Tensorflow beruht auf der Programmiersprache C++. High Level APIs erlauben also die Integration von Standardmodellen. Tensorflow nutzt ein Berechnungsdiagramm, um eine Anwendung auszuführen, wobei jeder Knoten eine Operation und die Bögen die Daten zwischen Operationen darstellen. Die Ausführung des Codes geschieht folgendermaßen. Zunächst werden die Daten der den Operationen zugeordneten Knoten serialisiert und anschließend in einem Output ausgegeben. Der Output wird dann vom Tensorboard ausgeführt und die zusammengefassten Operationen visualisiert.
Unsere Experten in der Statistik-Beratung unterstützen Sie gerne bei der Auswahl geeigneter Analysemethoden zB. bezüglich der Messwerte von Maschinen und/oder Bauteilen, wie Temperaturinformationen oder Zeitreihenwerte.
Tensorflow-Szenarien
Der erste Schritt zur Entwicklung der Predictive Maintenance Machine Learning-Algorithmen ist die Eruierung von Daten, wie Mess- und Zustandsdaten, Zeitreiheninformationen, wie Temperaturinformationen unstrukturierte Daten, wie Grafiken oder Audio-Signale, oder statische Informationen, wie der Aufstellungsort oder das Produktionsdatum von Maschinen. Zudem gilt es zu ermitteln, ob spezifische Daten nur Ereignis-bedingt vorliegen oder in konstanten Messreihen vorliegen. Zu diesem Zweck ist es beispielsweise wchtig, Messreihendaten lückenlos zu dokumentieren und die konkreten Zeitabstände der Daten zu sammeln. Bei der Analyse von Daten mithilfe von Predictive Maintenance Machine-Learning-Algorithmen können folglich vier potenzielle Szenarien entstehen:
- Richtig positiv = korrekte Interpretation der Prognose bzw. Erfordernis für die Wartung durch den Predictive Maintenance Machine Learning-Algorithmus
- Falsch negativ = existierende Daten wurden durch den Predictive Maintenance Machine Learning-Algorithmus fälschlich als negativ, d.h. Wartung nicht erforderlich, interpretiert
- Falsch positiv = Algorithmus prognostizierte fälschlicherweise eine positive Erfordernis für eine Wartung
- Richtig negativ = Algorithmus erkannte eine Wartung korrekterweise als nicht erforderlich
Zu den „guten“ Resultaten zählen „richtig positiv“ und „richtig negativ“, d.h. Wartungen sind korrekt als erforderlich bzw. nicht erforderlich erkannt. Zu den „schlechten“ Ergebnissen zählen „falsch negativ“ und „falsch „positiv“, hier erfolgte eine falsche Zurodnung, wonach eine eine Wartung erforderlich oder nicht erforderlich sei.
Tensorflow Anwendungsbeispiel
Die letztgenannten Resultate falsch negativ und falsch positiv können dazu führen, dass Maschinen ausfallen. Im Tensorflow-Anwendungsbeispiel für Flugzeugturbinen kann dies verheerende Folgen haben, der worst case wäre ein Flugzeugabsturz. Ein weiteres Tensorflow Anwendungsbeispiel zeigt der Energieversorgungsbereich. Der Stromverbrauch von Smart Grids kann aufgrund von Daten hinsichtlich des Konsumentenverhaltens – mittels sogenannter Smart Customer Data – prognostiziert werden, um die erforderlich Einspeisung von Wasser- und Windkraftenergie genau zu regulieren.
Die Prognosequalität ist relativ, weil diese vom konkreten Einsatzszenario bzw. einem Tensorflow Anwendungsbeispiel abhängt. Dabei müssen auch falsch Positive Resultate des Predictive Maintenance Machine Learnings mitberücksichtigt werden. Andernfalls besteht die Gefahr, dass die Wartung einer Maschine anvisiert wird, obwohl dies noch nicht erforderlich ist. Eine weitere Konsequenz von falsch negative Ergebnisse können dazu führen, dass eine Wartung zu spät durchgeführt wird und eine Maschine oder mehrere ausfallen.
Fazit
Trotz der enormen Verfügbarkeit von Daten und erheblicher Investitionen können viele Unternehmen Daten nicht richtig nutzen oder basierend auf Datenanalysen angemessene und effektive Geschäftsentscheidungen treffen. Allgemein entscheidend für den Erfolg eines Predictive Maintenance-Projekts ist de facto die Datenaufbereitung. Häufig unterschätzen Unternehmen den Zeitaufwand für die Bereinigung der Datensätze, das Löschen falscher Informationen und das Auffüllen fehlender Werte. Bedeutend ist auch die Priorisierung von Daten bzw. Messwerten. Beispielsweise ist zu eruieren, ob Servicedaten bereitstehen und welche Maschinenarten oder Bauteile am häufigsten ausfallen. Weiters gilt es zu berücksichtigen, wie kostenintensiv eine Reparatur dieser Maschinen und Bauteile ist. Mithilfe der Predictive Maintenance Machine Learning-Algorithmen von Tensorflow ist es möglich, die physikalischen Messwerte für das Versagen von Bauteilen oder den Ausfall Maschinen zu prognostizieren. Novustat führt gerne eine Datenauswertung für Sie durch oder hilft gerne bei der Auswahl geeigneter Analysemethoden für die Auswertung Ihrer Messdaten hinsichtlich der Predictive Maintenance. Nutzen Sie dazu unser Anfrageformular!
Weiterführende Quellen
- Buxmann, H. & Schmidt, T. (2019): Künstliche Intelligenz, Wiesbaden: Springer-Gabler
- Datasolut (2021): Einführung in Tensorflow – Tensorflow-Architektur, https://datasolut.com/einfuehrung-in-tensorflow/#TensorFlow-Architektur
- Ertel, K. (2016): Grundkurs Künstliche Intelligenz, Wiesbaden: Springer-Gabler
- Google (2021): Google Tensorflow-Objekte, https://cloud.google.com/architecture/creating-object-detection-application-tensorflow?hl=de
- Kreutzer, R. T. & Sirrenberg, M. (2019): Künstliche Intelligenz verstehen, Wiesbaden: Springer-Gabler
- Rezaul, K. (2018): TensorFlow: Powerful Predictive Analytics with TensorFlow, Birmingham: Packt, https://www.packtpub.com/product/tensorflow-powerful-predictive-analytics-with-tensorflow/9781789136913
- Tensorflow (2021): Tensorflow, https://www.tensorflow.org/