PROJEKTE

Predictive Maintenance im Bergbau

Für einen Kunden aus der Bergbauindustrie haben wir maschinelle Lernmodelle entwickelt, die den Verschleiß einer komplexen Maschine auf mehrere Tage und Wochen hinaus kontinuierlich prognostizieren. Die KI lernt, welche Faktoren und Maschinenbedingungen den höchsten Verschleiß verursachen, und erklärt dabei in prägnanter Weise, wie sie zu entsprechenden Prognosen kommt. Mit diesem Ansatz ist es uns nicht nur gelungen, Verschleiß vorherzusagen (und damit einen verbesserten Wartungsplan zu erstellen), sondern auch Leitlinien für die bestmögliche Maschineneinstellung zu entwickeln, um diesen zu reduzieren.

Das Problem

Unser Kunde ist ein industrielles Maschinenbauunternehmen, das unter anderem Bergbauausrüstungen entwickelt. Das Unternehmen entschied sich, sein traditionelles, auf Hardware basierendes Business um datengesteuerte, analytische Softwareprodukte zu erweitern, um so neue Umsatzkanäle zu erschließen. Eine zentrale Herausforderung war die Nutzungsoptimierung mit dem Ziel, kostspielige Ausfallzeiten zu reduzieren.

Der Ansatz

SPRYFOX testete zunächst die Eignung vorhandener historischer Daten, speziell für die Verwendung in Vorhersagealgorithmen. Erste Tests zeigten, dass zwar eine Datenbereinigung und -konsolidierung erforderlich, aber auch die Möglichkeit vorhanden war, durch fortwährende Verschleißvorhersagen einen wirtschaftlichen Mehrwert zu erzielen.

Vor diesem Hintergrund haben wir eine umfassende Analysepipeline mit Vorverarbeitungsschritten eingeführt, welche die Daten bereinigt, aggregiert und konsolidiert, bevor wir geeignete Algorithmen für maschinelles Lernen evaluieren konnten. Dazu zählten sowohl klassische als auch auf neuronalen Netzwerken basierende Algorithmen.

Zu den zahlreichen Herausforderungen gehören die Erhebung fehlender Daten, der Umgang mit komplexen, heterogenen Dateneingaben und die Bewertung kritischer Maschineneigenschaften, die nur indirekt gemessen werden können.

Die Lösung

Die von uns entwickelte Lösung basiert auf einer vollwertigen Prognose-Engine, die auf ca. einem Jahr maschineller Daten trainiert wurde. Die KI ist in der Lage, Maschinenverschleiß für die nächsten vier Wochen bei äußerst geringer Fehlertoleranz vorherzusagen. Außerdem erkennt sie, welche Faktoren und Maschinenbedingungen den größten Maschinenverschleiß verursachen.

Erklärbare KI, also die Fähigkeit eines trainierten Modells, Menschen verständlich zu darzustellen, wie sie zu bestimmten Prognosen gekommen ist, war der Schlüssel zum Projekterfolg.