Am 3. und 4. September 2020 fand das Seminar zum Thema Predictive Maintenance und Deep Learning im Maschinenbau-Umfeld statt. Die beiden Top-Experten Dr. Stefan Pauli, Lead Data Scientist bei der Swiss Smart Factory sowie bei VTU Engineering, und Philipp Schmid, Head Robotics & Machine Learning am CSEM, präsentierten praktische Einblicke, intuitives Verständnis sowie Praxisbeispiele mit konkretem Nutzen und Kos­ten­ein­spa­rungen für Maschinen- und Anlagenbauer.  

Folgende TAKE-AWAYS wurden angekündigt:

Intuitives Verständnis für Machine Learning am Praxisbeispiel Gas-Verdichter

• Konkrete Ideen/Inspiration zu Machine Learning im industriellen Umfeld
• Anwendungsbeispiele u.a. von Borealis-Polyolefin

Anwendung von neuronalem Netzwerk und Deep Learning in der Industrie

• Neuronales Netzwerk: Was ist es? Wie trainiert man es? Was ist der Stand der Technik?
• Erfolgreiche Anwendung und Implementierung von Deep Learning 
• Wichtige Unterschiede zwischen Analyse von Bildern und Sensordaten
• Konzepte für sinnvoll-eingesetztes Predicitve Maintenance

Konkrete Schritte Richtung Predictive Maintenance am Beispiel Ionplus

• Problemerkennung und erste Schritte zur Umsetzung 
• Technologie als Enabler: Effizient starten dank den richtigen Tools

Learnings aus dem Vortrag von Stefan Pauli: Intuitives Verständnis für Machine Learning am Praxisbeispiel Gas-Verdichter

• Mit dem Random Forest Algorithmus konnte Stefan Pauli aus 150 Parametern die drei relevanten Parameter für ein Problem zuverlässig extrahieren.
• Durch die Identifikation der relevanten Parameter konnte letztlich die Ursache für das Problem identifiziert und behoben werden.
• Die Algorithmen können auch bei sehr wenigen Fehlern im Lernset zuverlässig erkennen, wenn in der Maschine plötzlich etwas Unerwartetes passiert. Dies wird erreicht, indem alle Parameter aus den anderen Parametern vorhergesagt werden. Wenn die effektiven Messwerte zu weit von der Vorhersage entfernt sind, wird ein entsprechender Alarm ausgelöst.

Learnings aus dem Vortrag von Philipp Schmid: Anwendung von neuronalem Netzwerk und Deep Learning in der Industrie

• Mit heutigen Rechnern dauert das Training von Deep Learning Algorithmen nur noch wenige Minuten. Die Inferenz (Anwenden des neuronalen Netzes für die Auswertung der Daten) funktioniert sogar in Sekundenbruchteilen und kann in einem gezeigten Beispiel sogar 16 Kamerabilder/Sekunde erfolgreich auswerten.
• Es gibt heute bereits mehrere Vision-Frameworks, welche Deep Learning Algorithmen eingebaut haben. Der Algorithmus ist jedoch nur die Spitze des Eisbergs. Sehr viel Know-how muss in die Vorbereitung der Daten, in die Aufnahme der Messwerte, in die Qualität der Daten etc. investiert werden, damit das Projekt erfolgreich wird. Dies braucht sehr viel Erfahrung.

Learnings aus dem Vortrag von Andreas Michel: Konkrete Schritte Richtung Predictive Maintenance am Beispiel Ionplus

• Mit sehr wenig Aufwand konnte bei der Firma Ionplus sämtliche Events in eine Time-Series Datenbank (bei M&F wird Influx DB verwendet) abgespeichert werden. Dank Standard Business-Intelligence Tools (M&F hat dafür konkrete Beispiele mit Grafana gezeigt) können sehr einfach und kostengünstig beliebige Auswertungen und Dashboards erstellt werden.
• Für Predictive Maintenance kann es schon genügen, die Betriebsdaten sinnvoll aufzuzeichnen und mit Visualisierungs-Apps sauber darzustellen, da das menschliche Auge extrem gut Anomalien feststellen kann.

Unser Fazit insgesamt

1) Starte mit dem Business Case!

Man sollte sich zuerst die Frage stellen: Welche Probleme existieren beim Kunden? Welche Kosten entstehen dadurch?
Erst anschliessend stellt sich die Frage: Welche Daten könnten für dieses spezifische Problem relevant sein? So kann weiter Richtung Analytics des spezifischen Problems mit den entsprechenden Daten gegangen werden. → Zielgerichtete Data Science

2) Oft haben wir von Maschinen/Anlagenbauer folgendes Statement gehört: "Unsere Kunden erwarten Predictive Maintenance von uns".

Aber was heisst das? Hat der Kunde das Gefühl, dass Preventive Maintenance zu konservativ ist, sprich Verschleissteile nicht ausreizt werden und entsprechend zu oft für teure Ersatzteile bezahlt? Hat der Kunde zu viele spezifische Ausfälle, die verhindert werden können? Die Frage an den Kunden ist, wo genau liegt das Problem, und genau dort sollte man starten → siehe Punkt 1

3) Reines Datensammeln ohne Business Case

Falsche Erwartung: Ziellos analysieren im Sinne "darin steckt das 'Gold'" ist der falsche Ansatz.

Richtige Erwartung: Zu einem späteren Zeitpunkt tritt ein Fehler auf und man verfügt bereits über History Daten, kann für die Analyse sehr hilfreich sein. Jedoch ist dann wichtig, dass die relevanten Events abgespeichert wurden. Nur so können die Daten im Nachhinein richtig gelabelt werden.

Industrial IoT Starter Kit

Um konkrete Business Cases gemeinsam mit dem Kunden - dem Maschinennutzer - herauszufinden, bieten wir ein Industrial IoT Starter Kit.

Dieses verfolgt folgende Ziele: 

• Daten sammeln und visualisieren
• Konkrete Use Cases auf Nutzen testen
• Use Case Verfeinerung und Fokus dank den gewonnenen Erkenntnissen

In nur 2 Wochen können Sie Ihr konkreten Industrial IoT Use Cases testen.

Das ganze Seminar zum Nachschauen

Wir haben für Sie das ganze Seminar aufgezeichnet:

Falls Sie Interesse an den Unterlagen haben, schicken Sie uns ein E-Mail an .