Disruptive innovation has radical and lasting effects on the way in which companies operate in their industry. Industrial engineering – more specifically, maintenance of industrial machinery – has gone through several disruptions in the last decades.

In the early days, maintenance involved little more than waiting for a machine to fail and fixing it on demand, hence the retrospectively applied term reactive maintenance. Due to the obvious shortcomings of this approach engineers transitioned to preventive maintenance, with scheduled maintenance sessions, always trying to stay ahead of failures.

The industry-wide adoption of new technologies for the collection of large amounts of data from operating machinery brought about a new era in the sector of industrial maintenance. Whereas preventive maintenance focuses on the earliest possible failure to be expected for an entire class of equipment, predictive maintenance determines when and how a given machine needs to be maintained based on its individual attributes.

The market potential for applications in predictive maintenance is expected to increase by a factor of ten in the course of the next decade. However, while the basic ideas and methodologies required to bring out this potential have been proven to succeed in other domains, various challenges hold predictive maintenance back from prospering in the industrial domain. Those include the lack of high-quality data, missing data on failure cases, regulatory aspects, and many more.

FLSmidth and Spryfox have joined forces to tackle the challenges described above. With a focus on FLS’ High Pressure Grinding Rolls (HPGR), we successfully applied predictive analytics to take predictive maintenance to the next level.

HPGRs are used for comminution (i.e., reduction to minute particles) of raw materials and minerals like ores and coal. The surface of the rolls which are used to grind the materials wear off over time which leads to the rolls being replaced regularly. As is the case with all large machinery, failures and downtimes produce large costs and their early prediction can yield considerable cost savings. As part of our work, we have identified six principles which drove the success of our application and its use in practice.

Für einen Kunden aus der Versicherungsbranche sind Daten unerlässlich. Hier kommen die maschinellen Lernmodelle von SPRYFOX ins Spiel. Mithilfe unseres Systems kann der Kunde den Gesundheitsverlauf von Haustieren besser einschätzen. Unsere Modelle ermöglichen es, Versicherungsexperten die Wahrscheinlichkeit einer Erkrankung versicherter Tiere einzuschätzen und liefern so essenzielle Erkenntnisse, die dazu beitragen können, dass Haustiere länger und gesünder leben.

Wie kann man sich umfassend über ein Unternehmen informieren, wenn man lediglich dessen Namen und Adresse kennt – oder gar Leads sammeln, um mit diesem Unternehmen in Kontakt zu treten? Ein Kunde beauftragte uns, eine komplexe Datenbank zu entwickeln, die nicht nur typische Unternehmensmerkmale enthält, sondern zusätzlich mit Daten aus unstrukturierten Quellen im WWW ergänzt wird. Mit Hilfe von Cloud-Technologien und Web-Scraping-Frameworks entwickelten wir einen Datenkatalog, der umfassend und gleichzeitig zielgerichtet einen Überblick über zahlreiche Unternehmen generiert.

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.

Für einen Kunden aus der Bergbauindustrie haben wir Modelle für das maschinelle Lernen entwickelt, die Maschinenzustände und deren Verhalten ohne menschliches Zutun erfassen und erlernen können. In einem Datenexplorationstool konnten diese Zustände und Verhaltensweisen in einer Art und Weise visualisiert werden, dass sie Fachexperten die Optimierung von Maschinenkonfigurationen ermöglichten.

Für einen Kunden aus dem medizinischen Bereich sollten wir beträchtliche Menge unstrukturierter Gesundheitsdaten in strukturierte Informationen überführen. Zu den Herausforderungen zählten dabei vor allem die variierenden Dokumentenformate (PDF, JPG etc.) und der völlig individuelle Aufbau jedes Dokuments (Tabellen, Freitext oder gar handschriftliche Notizen). Mit unserer Lösung kann der Kunde einen bisher ungenutzten Datenschatz für sich erschließen und für gänzlich neue Anwendungsmöglichkeiten einsetzen.

Für Krankenversicherungen sind Gesundheitsempfehlungen von entscheidender Bedeutung. Unserem Kunden lieferten wir nach einer umfassenden Design- und Entwicklungsphase eine Engine, mit der genau solche Empfehlungen in eine bestehende Anwendung zur Prognose von Gesundheitsverläufen integriert werden konnten. Ziel war dabei, dass unser Kunde Behandlungsempfehlungen und Präventionsmaßnahmen anbieten kann, um das Risiko für seine Mitglieder zu minimieren.