NEVER STOP EXPLORING
Machine Learning
Predictive Maintenance
Data Analytics
Predictive Maintenance
Stellen Sie sich vor, Sie könnten die Stillstandskosten Ihrer Maschinen erheblich reduzieren, indem Sie Ausfälle und Störungen frühzeitig vorhersagen – mit individuell angepassten KI-Modellen, die genau auf Ihre Anforderungen zugeschnitten sind.
Diverse Applikationen sind aus der Industrie und dem Alltag nicht mehr wegzudenken.
Auf der Basis von Machine-Learning-Verfahren entwickeln wir Lösungen für Ihre Anwendungen.
Eines der Einsatzgebiete ist das Predictive Maintenance.
Dabei werden Maschinen proaktiv gewartet, um Ausfallzeiten zu vermeiden.
Beliebige Sensorwerte der Maschinen werden auf Anomalien untersucht, um Systemstörungen frühzeitig zu erkennen und vorzubeugen.
Unsere Leistung
- Minimierung von Stillständen:
- Reduzieren Sie ungeplante Stillstände Ihrer Anlagen und sparen Sie erhebliche Kosten.
- Vorausschauende Wartung:
- Planen Sie Wartungen rechtzeitig dank präziser Ausfallprognosen – für die volle Kontrolle.
- Effiziente Fehlerbehebung:
- Erkennen Sie Zusammenhänge zwischen Komponenten schneller und führen Sie gezielte Reparaturen durch.
- Erfolgssicherung nach Reparaturen:
- Bestätigen Sie direkt, ob eine Reparatur erfolgreich war – kein Rätselraten, nur Klarheit.
Sensordaten
Zur Anomalieerkennung nutzen wir präzise Daten des aktuellen Maschinenzustands. Hierzu zählen Messwerte physikalischer Größen wie Temperatur, Spannung, Beschleunigung, Druck oder Zählerstände. Jeder Wert, der relevante Informationen zum Zustand Ihrer Maschine liefert, kann in die Analyse einfließen.
In den meisten Fällen können bestehende Maschinensensoren direkt für die Live-Analyse genutzt werden – ohne zusätzliche Installationen.
Vor der Implementierung unserer Anomalieerkennung führen wir eine unverbindliche und diskrete Analyse Ihrer Daten durch. So lassen sich das Potenzial und die Effizienz Ihrer neuen Wartungsstrategie zuverlässig bewerten.
Kontaktieren Sie uns – wir beraten Sie gerne!
Anomalie Berechnung
Die Anomalieerkennung kann flexibel auf einem LEONIK-Server oder auf einem Server Ihrer Wahl (Windows/Linux) in Ihrem Betrieb erfolgen.
Vor der ersten Inbetriebnahme werden maßgeschneiderte Deep-Learning-Modelle für Ihre Maschinensysteme erstellt. Auch systemübergreifende Modelle sind möglich: Für baugleiche Maschinen werden Daten aus allen verfügbaren Quellen zusammengeführt. Das Ergebnis sind extrem stabile und präzise Prognosen. Anpassungen an Maschinen erfordern keine neuen Modelle – mithilfe von „Transfer Learning“ können diese effizient mit deutlich geringeren Datenmengen umgesetzt werden.
Zur genauen Lokalisierung eines Systemfehlers werden einzelne Kanäle der Anlage analysiert und einer Anomaliebewertung unterzogen. So können Störungen eingegrenzt werden, bevor es zu einem Ausfall kommt.
Nach einer Reparatur bietet die Anomalieerkennung eine einfache Möglichkeit, deren Erfolg zu prüfen. Zeigen die Messwerte weiterhin Anomalien, war die Reparatur nicht erfolgreich, und weitere Maßnahmen können rechtzeitig eingeleitet werden, um Folgeschäden oder Ausfälle zu verhindern.
In den meisten Fällen lässt sich die Anomalie direkt einem Bauteil oder einer Bauteilgruppe zuordnen. Dies ermöglicht eine frühzeitige Planung der Ersatzteilverfügbarkeit, reduziert Stillstandzeiten und senkt Reparaturkosten.
Dashboard
Die ausgewerteten Daten werden auf einem Online Dashboard oder einem PC Ihrer Wahl angezeigt.
Der Kunde kann jeden Sensor einzeln beobachten. Eine Anomalie in den Sensorwerten kann je nach System bis zu einigen Monaten vor dem Ausfall der Anlage erkannt werden.
Wir entwickeln die Prognosemodelle auf Basis der gesammelten Daten und testen sie in realen Szenarien.
Unsere Software 'Cristal Vision' wird zur Live-Überwachung eingerichtet. Die Ergebnisse können zentral überwacht und an Ihr Dashboard weitergeleitet werden, oder wir richten die Überwachung direkt bei Ihnen vor Ort ein.
Beispiel aus der Praxis:
Die folgende Grafik zeigt, wie eine Anomalie in den Sensorwerten bereits frühzeitig erkannt werden kann – noch bevor herkömmliche Verfahren diesen Zustand sichtbar machen.
Deutlich wird, dass der erste Ausfall der Anlage bereits eine Woche vor der automatischen Abschaltung aufgrund eines internen Fehlers hätte vorhergesagt werden können. Wartungsarbeiten wurden jedoch erst nach dem Stillstand durchgeführt.
Nach der Reparatur der Anlage zeigen die Temperaturmesswerte in einigen Subsystemen, insbesondere im Ölsystem, weiterhin Anomalien. Mit konventionellen Messverfahren blieb dieser Fehler für das Wartungspersonal unentdeckt. In der Folge wurden insgesamt acht Stillstände verzeichnet: vier erfolglose Reparaturversuche und vier Totalausfälle, bevor der eigentliche Fehler in der Ölpumpe lokalisiert wurde.
Anhand der Anomalieparameter hätte der Fehler frühzeitig erkannt werden können. Dadurch wären acht Reparaturversuche und 25 Tage Produktionsminderung vermeidbar gewesen.
Legende:
- grüne Linie
- erkannte Anomalie in den Sensorwerten
- blaue Linie
- Aufgezeichnete Wartungsarbeiten
- rote Linie
- Ausfall der Anlage
Ihre Vorteile auf einen Blick
Kostenersparnis: Reduzierung von Stillstandskosten und optimierte Wartungszyklen.
Maßgeschneiderte Lösungen: Individuelle Prognosemodelle, die exakt auf Ihre Maschinen und Anforderungen abgestimmt sind.
Nahtlose Integration: Unsere Software lässt sich problemlos in bestehende Datenbanksysteme integrieren, um maximale Effizienz zu gewährleisten.
Handeln Sie noch heute und profitieren Sie von einer Technologie, die Ihre Maschinenverfügbarkeit maximiert und Ihnen einen entscheidenden Wettbewerbsvorteil sichert!
Unsere Partner - Ihr Vorteil.
