Suchen

Machine Learning Keine Angst vor Machine Learning-Tools

| Autor/ Redakteur: Norbert Meierhöfer / Anke Geipel-Kern

„Machine Learning“ birgt für das Asset Peformance Management (APM) ein enormes Potential. Doch die Implementierung der neuen Technologie ist komplex, mit Zeit und Kosten verbunden und mach einer schreckt deshalb davor zurück. Doch es gibt auch einfache Lösungen, z.B. „Low Touch Machine Learning“ in Form intelligenter und automatisierter Software.

Firmen zum Thema

Machine Learning ermöglicht Zuverlässigkeitsmanagement über alle Anlagen-Assets hinweg.
Machine Learning ermöglicht Zuverlässigkeitsmanagement über alle Anlagen-Assets hinweg.
(Bild: chombosan)

Um ungeplanten Maschinen- und Anlagenausfällen vorzubeugen, reicht regelmäßige Wartung nicht mehr aus. Laut ARC Advisory Group weisen 82 % der Störungen von mechanischen Anlagenteilen ein zufälliges Ausfallmuster auf und werden durch prozessbedingte Faktoren verursacht. Mehr und mehr gehen Hersteller und Anlagenbetreiber daher von einem klassischen „Fix-Fail“-Ansatz und einer Reliability-Centered Maintenance (RCM) zu einer vorausschauenden und smarten Instandhaltung über.

Event-Tipp der Redaktion Der Smart Process Manufacturing Kongress begleitet als erste deutsche Netzwerkplattform den digitalen Transformationsprozess der Prozessindustrie in seiner vollen fachlichen Breite. Erleben Sie am 25./26. Oktober 2018 die Zukunft der Prozessindustrie: Digital, modular, 4.0 und live..

Die Schlagwörter lauten Predictive („Was wird passieren?“) und Prescriptive Maintenance („Was muss geschehen, damit es nicht passiert?“). Richtig eingesetzt, in Verbindung mit entsprechender Automatisierung und kombiniert mit Maschine Learning-Technologien verspricht dieser Ansatz eine hohes Maß an Agilität und Flexibilität.

Die wegweisende Technologie hat aus Unternehmenssicht nur einen Haken: Die hohe Komplexität sowie der Zeit- und Kostenaufwand bei der Implementierung hindert viele Unternehmen daran, Machine Learning im vollem Umfang einzusetzen. Gefragt sind daher Lösungen, die einfach, effizient und ohne erhebliche Investitionen Daten tatsächlich nutzbar machen.

Was ist „Low Touch Machine Learning“?

Einfach ausgedrückt, bietet Low Touch Machine Learning Technologien des Maschinellen Lernens, verpackt in einer Softwarelösung. Hersteller und Betreiber können so auf einfachem Weg auf gebrauchsfertige Funktionen zugreifen, um datenbasiert zu arbeiten und die Anlagenperformance zu optimieren. Cloud Computing, Data Science und Maschinelles Lernen werden dabei direkt mit automatisierten Vorgehensweisen in die APM-Lösung integriert. Diese umfassende Integration gibt Betreibern und Ingenieuren erweiterte Analysetechniken an die Hand – im großen Maßstab und mit einfacher Handhabung.

Entsprechende Anwendungen stellen einen effizienten Mittelweg zwischen bestehenden Basis-Lösungen und dem Einsatz eines ganzen Teams an beratenden Ingenieuren und Datenexperten dar.

Bildergalerie

Low Touch Machine Learning ermöglicht es erfahrenen Technikern, die Performance ihrer Anlagen zu verbessern, den Anlagenbetrieb proaktiv und vorausschauend zu planen und Störungen zuverlässiger vorherzusehen. Dezidiertes Know-how auf dem Gebiet des Maschinellen Lernens ist dabei nicht notwendig.

Fünf Einsatzbereiche

Der Einsatz von Machine Learning erlaubt ein effizientes Zuverlässigkeitsmanagement über alle Anlagen-Assets hinweg – unabhängig von Branche oder dem Umfang, in dem die Technologie eingesetzt wird. Ein besonderes Augenmerk liegt dabei auf fünf zentralen Bereichen.

1. Datenerfassung und -aufbereitung

Zwischen 50-80% der Datenanalyse und -auswertung (Data-Mining) entfallen auf die Datenaufbereitung sowie die Überprüfung von Datenzuverlässigkeit und -integrität. Diese Prozesse sind unerlässlich, um relevante und exakte Daten zu gewinnen und Endanwendern fundierte und sichere Analyseergebnissen zu liefern.

In modernen APM-Lösungen läuft der Datenaufbereitungsprozess daher größtenteils automatisiert ab. Dazu wird das Interface mit Data-Historians zur Abfrage von Prozessdaten verbunden. Eine Verknüpfung zu zustandsbasierten Instandhaltungssystemen liefert zudem Anlagenzustandsdaten, während über EAM-Systeme (Enterprise Asset Management) die Wartungshistorie von Assets in die Datenanalyse eingebunden wird.

Ein weiterer Vorteil solcher automatisierter Tools ist das hohe Maß an Genauigkeit. Typische Verfahren wie die Anomalie-Erkennung informieren die Betreiber lediglich darüber, dass eine Unregelmäßigkeit aufgetreten ist. Die eigentliche Ursache muss anschließend von den Experten selbst ermittelt werden.

Smarte APM-Lösungen hingegen nutzen Machine Learning Technologien, um autonom Muster innerhalb der Betriebsdaten zu erkennen und eine frühe und genaue Vorhersage von Störungen, Ausfällen und Ausfallzeiten zu treffen.

Aspen Mtell von AspenTechnolgie beispielsweise verfügt über „Failure Agents“, wobei jeder Agent auf eine spezielle Signatur ausgerichtet ist und eventuelle Abweichungen sofort entdeckt. Das ermöglicht eine automatisierte Reaktion auf Ereignisse in Echtzeit.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45497244)