Predictive Maintenance
Vorteile unserer einzigartigen Herangehensweise
Bereits mit Condition-based Maintenance-Ansätzen für Ihre Geräte arbeitend, nutzen Sie Ihre IoT-Sensordaten, um Leistungsanalysen durchzuführen und den Gesundheitszustand der Maschinen vorherzusagen. Sensorbasierte Überwachung kann auf verschiedene Datenaspekte wie Vibration, Temperatur, Spannung, Strahlung und mechanischen Verschleiß angewendet werden. Herkömmliche Methoden stoßen jedoch bei folgenden Situationen auf Schwierigkeiten:
- Schwaches Labelling
- Ausfälle können nicht auf eine einzelne kausale Komponente zurückgeführt werden.
- Ausfälle werden nicht von Experten bestätigt (falsch-positive Werte in der Zielvariable).
- Maschinen werden nicht repariert, obwohl sie fehlerhaft sind (falsch-negative Werte in der Zielvariable).
- Niedrige Ausfallzahlen:
- Teure, selten ausgetauschte Komponenten erschweren das Erlernen dieser Fehler.
- Komplexe Abhängigkeiten von Messwerten:
- Abhängigkeiten sind oft mathematisch unbekannt und können daher nicht in starren Modellen verwendet werden; stattdessen müssen sie approximiert/gelernt werden, z. B. durch maschinelles Lernen.
Unser Ansatz lernt die erwarteten Abhängigkeiten in diesem Netzwerk von Aspekten einer Maschine und nutzt Abweichungen von diesen Basisabhängigkeiten, um den Gesundheitszustand der Maschine vorherzusagen. Wir können sowohl feine Details durch eine präzise Vibrationsanalyse als auch größere Abweichungen dieser Muster berücksichtigen. Auf diese Weise können wir das Verhalten der Steuereinheiten beobachten und Rückschlüsse auf ihre Reaktion auf spezifische Komponentenfehler ziehen. Dadurch lässt sich vorhersagen, welche Komponente einer Maschine aufgrund des aktuellen Verhaltens der Steuereinheit fehlerhaft ist. Dies ermöglicht es Ihnen, weitere Aspekte Ihrer IoT-Daten zu nutzen, um zusätzliche Einblicke in den Gesundheitszustand Ihrer Maschinen und die Lebensdauer einzelner Komponenten zu gewinnen.
Da unser Ansatz halbüberwacht ist und somit keine Fehlerdiagnose für die Datenvorverarbeitung benötigt, kann er mit kleinen Fehlerzahlen umgehen. Darüber hinaus sind wir durch den Einsatz geeigneter Algorithmen und das Filtern auf Basis der schwachen Kennzeichnung in der Lage, Fälle zu bewältigen, in denen die Kennzeichnung falsch-negative und falsch-positive Werte enthält.