Selbstlernende und erklärende Künstliche Intelligenz-Lösungen zur vorausschauenden Wartung

Predictive Maintenance verfolgt einen vorausschauenden Ansatz und wartet Maschinen und Anlagen proaktiv, um Ausfallzeiten niedrig zu halten. Das Verfahren nutzt hierfür von Sensoren erfasste Messwerte und Daten. Predictive Maintenance (Vorausschauende Wartung) nutzt Mess- und Produktionsdaten von Maschinen und Anlagen für die Ableitung von Wartungsinformationen. Ziel ist es, die Maschinen und Anlagen proaktiv zu warten und Störungszeiten zu minimieren. Im Optimalfall lassen sich Störungen vorhersagen, bevor es zu Auswirkungen oder Ausfällen kommt. Durch die frühzeitig proaktiv eingeleiteten Wartungsmaßnahmen ist das tatsächliche Eintreten der Störung zu verhindern.      

Gegenüber den herkömmlichen Maintenance-Ansätzen wie der präventiven oder reaktiven Wartung bietet Predictive Maintenance eine Vielzahl Vorteile. Aufgrund der Kenntnis des aktuellen Zustands der Maschine oder Anlage lassen sich ungeplante Maschinenausfälle vermeiden und Außendiensteinsätze von Servicemitarbeitern optimieren. Wartungs- und Serviceintervalle sowie das Ersatzteilemanagement sind wesentlich besser planbar. Darüber hinaus ist es durch die Analyse der gesammelten Daten möglich, die Leistung der Maschinen zu verbessern und eine höhere Produktivität zu erzielen.

Unsere Lösung zur Predictive Maintenance hat zwei wesentliche Vorteile gegenüber anderen Lösungen:

  1. Sie ist selbstlernend

  2. Sie erkennt die Störfaktoren

 

Die Selbstlernfähigkeit bedeutet, dass sich die Algorithmen selbständig (ohne notwendigen Eingriff durch Data Scientists der Kunden) an sich wandelnde Prozessumgebungen anpassen. Und welcher Prozess wandelt sich nicht mit der Zeit? Wenn es nur durch Korrosion ist.

Durch diese kontinuierliche Anpassung wird folgendes erreicht:

  1. Eine sehr hohe Vorhersagegenauigkeit (in der Regel > 95%)

  2. Ein internationaler Roll-Out der Predictive Maintenance erst ermöglicht. Denn die Selbstlernfähigkeit führt dazu, dass die Algorithmen unterschiedliche Varianten eines Produkt-Typs erkennen und sich hierauf anpassen. Dadurch können Sie 1 Master-Modell auf hunderte oder tausende Maschinen/Anlagen Ihres Portfolios implementieren ohne dies manuell durch Ihre Data Scientists jeweils adaptieren zu müssen.

Unsere Lösung erkennt die Störfaktoren, die zum Ausfall eines Bauteils führen. Diese Informationen sind für Ihr Produktmanagement und Ihre Produktentwicklung wichtig, denn letztendlich wollen Sie diese Ausfälle mittelfristig durch ein verbessertes Produktdesign abstellen.

 

Interessiert? Sprechen Sie uns an und wir stellen Ihnen dieses gerne per Web vor: info@software-innovation-bridge.com

© 2019 by Software Innovation Bridge

+49 176 51975082