Was ist Predictive Maintenance? - Ein Überblick

Die Digitalisierung der Industrie führt dazu, dass industrielle Automatisierungsprozesse immer dynamischer und komplexer werden. Einer der betroffenen Prozesse ist die Wartung von Maschinen und Anlagen, wo die reaktive und präventive Wartung zunehmend ersetzt wird durch Predictive Maintenance, eine "vorausschauende" Wartung, die eine Vorhersage des Ausfalls zum Ziel hat und sich dabei neuester IoT-, Cloud- und Machine Learning-Technologien bedient.

Im folgenden geben wir eine Übersicht über die grundlegenden Konzepte und Basis­technologien der Predictive Maintenance, stellen die Anwendungs­bereiche in der Praxis und die Predictive Maintenance-Lösungen einiger Global Player auf dem Markt vor, sowie einen Anwendungsfall aus der Automotive-Industrie, der zeigt, wie die Klassifikation von Ausfällen mit Hilfe eines Modells des überwachten Lernens durchgeführt werden kann. Es folgt eine kurze Übersicht über die elab2go-Demonstratoren und -Apps, die die Datenanalyse im Rahmen der Predictive Maintenance veranschaulichen.

Was ist Predictive Maintenance?

Bei herkömmlichen Arten der Wartung unterscheidet man zwischen Reactive Maintenance, d.h. Instandhaltung bei Eintritt eines Ausfalls, und Preventive Maintenance, d.h. regelmäßige Überprüfung der Maschine, ungeachtet dessen, in welchem Zustand sie sich befindet.

Was versteht man nun unter Predictive Maintenance bzw. "Vorausschauender Wartung"? Wodurch unterscheidet sie sich von anderen Formen der Wartung? In der Fachliteratur, z.B. in dem Buch von Levitt [2], wird die Predictive Maintenance folgendermaßen beschrieben:

"Predictive Maintenance ist eine Wartungsaktivität, die darauf abzielt, anzuzeigen, wo eine Maschine sich auf der kritischen Verschleißkurve befindet und ihre Nutzungsdauer vorherzusagen."

Diese High-Level-Definition spezifiziert noch keinen bestimmten Ablauf oder einzusetzende Technik, zeigt jedoch den wichtigsten Aspekt der Predictive Maintenance auf: die Fähigkeit, einen Ausfall oder Wartungsbedarf vorherzusagen. Die folgende Definition präzisiert die wesentlichen Aspekte der Predictive Maintenance und entspricht dem, wie Predictive Maintenance in der Industrie umgesetzt wird.

Predictive Maintenance ist ein Wartungsprozess, der auf der Echtzeit-Erfassung und automatisierten Auswertung von Maschinendaten basiert, und darauf abzielt, die Nutzungsdauer einer Maschine vorherzusagen und entsprechende Instandhaltungs-Maßnahmen zu veranlassen.

Diese präzisere Definition zeigt den Unterschied zu Preventive Maintenance auf, der darin besteht, dass bei der Vorausschauenden Wartung die Maschine gezielt nur aus dem Betrieb genommen und gewartet wird, wenn die aktuellen Auswertungen einen Anlass melden.

Predictive Maintenance: Die Prozess-Sicht
Predictive Maintenance als datengesteuerte Wartung kann zunächst als ein einfacher Prozess in fünf Schritten betrachtet werden: 1. Fragestellung, 2. Datenerhebung, 3. Datenbereinigung, 4. Datenanalyse, 5. Antwort / Lösung.

• Schritt 1 "Fragestellung": Hier geht es darum, die Fragestellung bzw. das Ziel des Predictive Maintenance genauer zu definieren, dies hat Auswirkungen sowohl auf die Datenerhebung als auch auf die Datenanalyse. Das Ziel kann z.B. sein, einen Ausfall der Maschine mit einer bestimmten Genauigkeit vorherzusagen.
• Schritt 2 "Datenerhebung": Hier entscheiden die Fachexperten, welche Sensordaten in welchen Zeitabständen erfasst werden müssen, wo sie gespeichert werden und wie sie von der Maschine zum Speicherort übertragen werden.
• Schritt 3 "Datenbereinigung": Hier werden die Rohdaten auf Konsistenz und Vollständigkeit geprüft und für die Auswertung vorbereitet. Fehlende Werte werden interpoliert, Ausreißer werden entfernt.
• Schritt 4 "Datenanalyse": Hier wird mit Hilfe von Algorithmen und Verfahren des maschinellen Lernens die Fragestellung aus Schritt 1 beantwortet. Es wird ein passendes Vorhersage-Modell ausgewählt, dies kann ein Klassifikationsmodell oder ein Regressionsmodell sein.
• Schritt 5 "Antwort / Lösung": Die Lösung kann z.B. eine Visualisierung (z.B. Ampelsystem) sein, die auf verschiedenen Web-Clients der Techniker angezeigt wird, und / oder in die Benutzeroberflächen der ERP oder Scada-Systeme eingebettet ist.

Predictive Maintenance: Die System-Sicht
In der Praxis muss der Predictive Maintenance-Prozess weitere Anforderungen erfüllen. Datenerhebung und Datenübertragung von der Maschine in die Cloud sollen effizient und sicher erfolgen. Die Datenanalyse muss nicht nur genau, sondern auch performant sein und möglichst zeitnah Vorhersagen liefern. Die Umsetzung des Prozesses in ein IT-System muss daher eine Reihe komplexer technischer Aspekte berücksichtigen. Es stellt sich die Frage nach der Auswahl der Komponenten und deren Zusammenspiel in jedem Schritt. Soll z.B. die Datenbereinigung und Datenanalyse in Echtzeit schon in einem Edge-System am Gerät passieren (was die Kommunikationswege weniger belastet) oder erst auf dem Server, wo mehr Speicher zur Verfügung steht? Diese Fragen kann die Architektur des Predictive Maintenance-Systems beantworten.

High-Level-Architektur eines Predictive Maintenance-Systems

Die dargestellte vereinfachte High-Level-Architektur gibt einen Überblick über die Komponenten des Predictive Maintenance-Systems und deren Zusammenspiel, vgl. [3]. Die Schritte des Predictive Maintenance-Prozesses sind rot eingezeichnet, die Teilaufgaben bzw. Funktionalität der Komponenten (z.B. "Datenbereinigung") sind in Rechtecke gesetzt.

Ein Predictive Maintenance System wird in der Regel als eine Software-orientierte Architektur umgesetzt. Das System besteht aus einem Edge-System, einem Cloud-System, Datenquellen und Clients, mit jeweils festgelegten Teilaufgaben.

• Edge-System: umfasst die Software-Komponenten, die sich an der Maschine befinden. Dies System fungiert als IoT-Gateway, das wie ein Router die Datenkommunikation mit der Cloud steuert. Das System kann auch Echtzeit-Funktionalität zur Datenbereinigung und Datenanalyse bereitstellen. Als Edge-System kann eine Implementierung eines OPC-UA Servers oder MQTT-Brokers eingesetzt werden.
• Cloud-System: umfasst die Sofware-Komponenten in der Cloud. Dazu gehören OPC-UA-Server, MQTT-Broker und Machine Learning-Tools wie
• Datenquellen: umfasst alle Datenquellen, aus denen das System die Messwerte bezieht. Die Datenquellen für das System können unterschiedlichster Art sein: Sensoren, Speicherprogrammierbare Steuerungen (SPS), aber auch Daten aus SCADA-Systemen können hier einfließen, die für die Ermittlung eines Ausfalls ggf. relevant sind.
• Clients, umfasst alle möglichen Clients des Systems, PCs und mobile Geräte der Servicetechniker, die die Auswertungen des Systems erhalten.

Bei der Datenerhebung werden zwei Kommunikationsprotokolle eingesetzt, Message Queuing Telemetry Transport (MQTT) und Constrained Application Protocol (CoAP), sowie eine vereinheitlichende Architektur, OPC Unified Architecture (OPC UA), die zusammen den standardisierten herstellerunabhängigen Datenaustausch im industriellen Umfeld ermöglichen. Beide Protokolle sind sicher: Teilnehmer werden durch X.509 Zertifikate eindeutig identifiziert, die übertragenen Daten können verschlüsselt werden.

• Message Queuing Telemetry Transport (MQTT) ist ein Netzwerkprotokoll für das Internet of Things, das für den Datenaustausch zwischen ressourcenarmen Sensoren / Geräten entwickelt wurde. Wie funktioniert MQTT? Die Idee hinter MQTT ist, dass sendende Geräte durch "Topics" identifizierte Nachrichten an einen zentralen Server (MQTT-Broker) publizieren, und empfangende Geräte die benötigten Informationen durch Filtern nach Topic beim MQTT-Broker abonnieren können. Nach erstmaligem Registrieren erhält ein Nachrichten-Konsument automatisch Updates zu den abonnierten Topics. Diese Funktionsweise nennt man "Publish-Subscribe"-Prinzip. [MQTT]
• Constrained Application Protocol (CoAP) ist ein Internet-Protokoll und offener Standard (RFC 7252) der Anwendungsschicht, der die Kommunikation zwischen ressourcenarmen Sensoren / Geräten untereinander und mit dem Internet ermöglicht, nach den Prinzipien der REST-Architektur funktioniert und die Daten per UDP oder TCP überträgt. Wie funktioniert CoAP? Die Idee hinter CoAP ist, dass die Ressourcen / Teilnehmer sich über Uniform Resource Identifier (URI) identifizieren. Der Datenaustausch findet über Versenden sehr kleiner Nachrichten im Request/Response-Format statt, ähnlich wie bei HTTP. CoAP ist die vereinfachte Version von HTTP für ressourcenarme Geräte. [COAP]
• OPC Unified Architecture (OPC UA) ist eine standardisierte plattformunabhängige, service-orientierte Architektur für den Datenaustausch und die semantische Beschreibung von Maschinendaten. Wie funktioniert OPC-UA? Das Edge-System muss einen OPC-UA-Server enthalten, d.h. eine Software, die die OPC-UA Spezifikation für das Datenformat und die Datenübertragung implementiert. Viele Anbieter von IoT-Geräten bieten eingebettete Implementierungen des OPC-UA-Servers an, es kann jedoch auch ein eigenständiger OPC UA-Server wie Kepware verwendet werden [OPC].

Die beiden Kommunikationsstandards MQTT und OPC-UA können grundsätzlich zusammen betrieben werden, jedoch entscheidet man sich in der Praxis oft für das eine oder andere System, abhängig von der schon vorhandenen Infrastruktur und der Art der zu erhebenden Datenquellen. Sind die Datenquellen z.B. Steuerungen, die schon viele Daten speichern und auch auswerten können, wird eher OPC-UA eingesetzt. Sind die Datenquellen jedoch vor allem Sensoren, die ihre Messwerte zu beliebigen Zeiten in die Cloud übertragen, ist MQTT der bessere Wahl.

Die Schritte Datenbereinigung und Datenanalyse werden mit Methoden und Algorithmen der Statistik und des Machine Learning durchgeführt. Ein passendes Modell für die Klassifikation von Ausfällen ist der Entscheidungsbaum oder Random Forests als dessen Erweiterung, hier werden relativ wenig Ressourcen benötigt. Für Zeitreihenanalysen können verschiedene Regressions-Modelle eingesetzt werden, oder auch künstliche Neuronale Netzwerke, hier ist die Trainingsphase aufwendiger. Diese Schritte können teilweise schon im Edge-System implementiert werden, wo sie jedoch unter Echtzeit-Einschränkungen und mit weniger Ressourcen ausgeführt werden müssen. Dies schränkt die Wahl der möglichen Sprachen und Bibliotheken ein und hat ggf. auch Auswirkungen auf die Genauigkeit der Vorhersage. Alternativ kann die Datenanalyse auf den schon aufbereiteten Daten im Cloud-System erfolgen. Dies hat den Vorteil, dass jede der gängigen Programmiersprachen für Statistik und Maschinelles Lernen eingesetzt werden kann, um das bestmögliche Prognosemodell zu entwickeln.

Predictive Maintenance - ein Prozess aus 5 Schritten

Die genauen Schritte zur Beantwortung einer Frage im Rahmen von Predictive Maintenance mittels Datenerhebung und -verarbeitung, Analyse und die Formulierung einer verständlichen Antwort werden als Prozess aus 5 Schritten dargestellt: Der Fragestellung, der Datenerhebung, der Datenbereinigung, der Datenanalyse und der abschließenden verständlichen Antwort.


Die Schritte 1, 2 und 5 erfolgen in enger Absprache zwischen der Fachabteilung, die durch vorausschauende Wartung Ausfallzeiten und Kosten verringern will, und dem Experten ("Daten-Analysten"), der Tools und Algorithmen des maschinellen Lernens kennt.

Schritt 1: Die Fragestellung

Der Besitzer einer produzierenden Anlage hat hohe Reparaturkosten, die im schlimmsten Fall zu Produktionsausfällen und Lieferengpässen führen. Er sucht ein Verfahren, das frühzeitig vor dem Ausfall einer Maschine warnt und somit Ausfallzeiten und Kosten niedrig hält.

Entweder ist das Bauteil, das die Schwachstelle in der Produktionskette darstellt, bekannt und soll konkret überwacht werden oder die komplette Anlage soll auf eine mögliche Ausfall beobachtet werden. Durch eine gezielte Überwachung des Gesamt- oder eines Teilsystems der Anlage kann frühzeitig gewartet oder ausgetauscht werden.

Es wird eine konkrete Fragestellung formuliert, z.B. Wann sollte ein Bauteil ausgewechselt werden? Um diese Frage mittels Verfahren der Predictive Maintenance zu beantworten müssen nun im nächsten Schritt Daten erhoben werden.

Schritt 2: Datenerhebung

Die Anlage oder das betreffende System wird mit Sensoren ausgestattet, die die nötigen Werte (physikalisch, elektrisch, akustisch, mechanisch usw. [1]) an den entsprechenden Bauteilen erfassen und speichern. Dabei wird auch erfasst, ob die Bauteile defekt sind und ausgetauscht wurden, oder ob sie noch funktionsfähig sind, diese Informationen stammen auch Protokollen, bereits durchgeführten Wartungen und Inspektionen [1]. Wenn die Datenerhebung über einen längeren Zeitraum erfolgt ist, stehen genügend Daten zur Verfügung um zum nächsten Schritt zu kommen.

Der zweite Schritt des Predictive Maintenance-Prozesses, die Datenerhebung, wird durch Hardware-Komponenten durchgeführt, die entweder schon in die Bauteile integriert sind oder nachträglich angeschlossen werden. Die grundlegende Funktionsweise der Datenerhebung, insbesondere auch der Aufbau einer Hardwarekomponente und die Datenübertragung an einen Server, werden in Demo 1: Sensordaten beschrieben.

Die erfassten Sensordaten werden in tabellarischer Form als Dateien (csv, json, xml) oder in einer Datenbank hinterlegt und stehen dann für die Datenanalyse zur Verfügung. In der Sprache des Datenanalysten sind die Sensordaten Beobachtungen, die einen Datensatz bilden.

Schritt 3: Datenbereinigung

Erfahrungsgemäß müssen die gesammelten Daten nun von denen bereinigt werden, die z.B. Fehlmessungen oder nicht vollständige Messungen darstellen. Dies erfolgt als Vorarbeit der Datenanalyse und der Analyst bedient sich dabei statistischer Verfahren.

Zur Datenbereinigung werden je nach Qualität und Verwendung der Daten Verfahren zur Daten-Normalisierung und -Transformation, sowie Verfahren zum Umgang mit fehlenden Werten, Ausreißern und unbalancierten Daten und das Feature Engineering angewandt ([1], [9]). Denn nur auf diese Weise bereinigte und für die Datenanalyse optimierte Datensätze haben einen hohen Informationsgehalt und die Modelle basierend auf bereinigten Datensätzen sind dementsprechend angemessener und genauer [9].

Schritt 4: Datenanalyse

Auf die bereinigten Daten wird nun die Datenanalyse mit Hilfe von Algorithmen und Verfahren des maschinellen Lernens angewandt, um die Fragestellung aus Schritt 1 zu beantworten. Dabei können statistische Modelle, z.B. Entscheidungsbäume, zur Lösung führen, dieses Modell entspricht einem binären Klassifikator, der die beiden Vorhersagen "normaler" oder "anormal" Zustand bzw. "Ausfall Ja" oder "Ausfall Nein" liefert. Auch ein Abweichen von der Norm eines Messwertes kann auf einen Ausfall des Bauteils hinweisen und dient somit der Predictive Maintenance als Analyseverfahren [1].

Mit Hilfe von Testverfahren wie der Kreuzvalidierung werden Kennzahlen (Vertrauenswahrscheinlichkeit, Genauigkeit) bestimmt, mit deren Hilfe man die Güte des Vorhersagemodells bewerten kann. Hinsichtlich der Vorhersage eines Ausfalls spielt neben der Güte des daten-gesteuerten Modells auch der Vorhersagehorizont bzw. die Vorlaufzeit bis zum Ausfall eine entscheidende Rolle. Das Modell sollte genau genug sein um verwendbare Vorhersagen zu tätigen, aber auch genug Vorlaufzeit bieten um notwendige und sinnvolle Maßnahmen zur Fehlerbehebung einzuleiten [1].

Am Ende von Schritt 4 wird auf Basis von Abweichungen von der Norm von Kennzahlen, Vorhersagen aus daten-gesteuerten dynamischen Modellen oder Schwellwerten für die Eintrittswahrscheinlichkeit die Frage nach einem Ausfall eines Bauteils beantwortet.

Mehr Details sind unter Predictive Maintenance: Datenanalyse zu finden.

Exkurs: Die Kreuzvalidierung - ein Mittel der Performancebestimmung

Im ersten Teil von Schritt 4 - Datenanalyse des Predictive Maintenance-Prozesses wird ein Vorhersagemodell für vorhandene Datensätze ausgearbeitet, in unserem Fall für einen Datensatz aus Sensordaten ein Modell, das vorhersagt, bei welcher Kombination von Sensorwerten ein Ausfall eines Bauteils oder einer Maschine zu erwarten ist.

Wir stellen uns nun die Frage, wie gut ein Vorhersagemodell überhaupt ist.
Ein gutes Vorhersagemodell sollte nicht nur fehlerhafte Zuordnungen in schon bekannten Beobachtungen vermeiden, sondern auch aus den bekannten historischen Beobachtungen Vorhersagen für zukünftige Datensätze mit einer gewissen Sicherheit treffen können.

Zur Bewertung eines Modells werden deshalb verschiedene Kennzahlen zum Testfehler bestimmt. Liegen diese Kennzahlen in einem vorher festgelegten, akzeptablen Bereich? Wenn ja, dann ist das Modell gut, d.h. wir können uns auf die Vorhersage durch das Modell verlassen.
Zur Bestimmung der Kennzahlen wird das Testverfahren der Kreuzvalidierung angewandt, ein klassisches Verfahren der Statistik bzw. Datenanalyse, das als Datenbasis für die Validierung den vorhandenen Originaldatensatz verwendet, also daten-gesteuert ist.

Mehr Details sind unter Predictive Maintenance: Performance zu finden.

Schritt 5: Die Antwort/Lösung

Die Ausgabe der Analyse-Software (z.B. MATLAB, RapidMiner, Python- oder R-Tools) wird nun von dem Analysten in eine verständliche Antwort übersetzt und ein für das Unternehmen leicht anwendbares Wartungssystem entwickelt. Es kann z.B. ein Ampelsystem entstehen, das je nach Zustand des Bauteils die Farbe grün/gelb/rot anzeigt. Grün steht für die Funktionsfähigkeit, Gelb für die Beobachtung und Rot für den empfohlenen Austausch des Bauteils. Es ist aber auch ein Kategorisierung des vorhergesagten Ausfalls in "katastophal", "kritisch", "geringfügig" und "unerheblich" möglich, als Ergebnis aus einer vorhergesagten Kennzahl und der Interpretation deren Abweichung von der Norm [1].

Die dann anstehenden notwendigen und sinnvollen Maßnahmen, z.B. Wartungen, können so besser geplant werden und führen nicht mehr zu einem außerplanmäßigen Ausfall der Anlage und Produktionsstillständen [1]. Zusätzlich kann der aktuelle Zustand eines Bauteils regelmäßig überwacht werden (siehe auch Schritt 6: Update) und es kommt weniger zu verfrühten und unnötigen, rein kostenverursachenden Wartungsmaßnahmen.

Lohnt sich der Einsatz? - Die Vorteile

Durch die Vorausschauende Wartung lassen sich ungeplante Maschinenausfälle vermeiden und Ressourcen für Instandhaltungsarbeiten besser planen, dies verringert Kosten und verbessert die Produktivität der Maschinen.

Zahlen und Fakten zu den Vorteilen des Predictive Maintenance:
Laut des 2015 erschienen Reports der World Economic Forums lassen sich Ausfälle bzw. Stillstände mittels der Predictive Maintenance um bis zu 70% reduzieren und durch frühzeitige Wartungsarbeiten lassen sich 30% an Kosten einsparen. [WEF] Die Roland-Berger-Studie von April 2017 besagt, dass mittels Predictive Maintenance nur noch 15 % der Zeit mit Wartung verbracht wird, im Gegensatz zur „reaktiven“ Wartung (Reparatur erst bei Eintritt des Ausfalls) dort liegt die Stillstandzeit bei 40%. [ROL]

Durch die andauernde Überwachung (Monitoring des Systems) mittels der zur Datenerhebung (Schritt 2 der Predictive Maintenance) bereits installierten Sensoren (zur Erstellung des digitalen Klons) kann das Wartungssystem stetig verbessert und immer individueller an die zu überwachende Anlage angepasst werden, was präzisere Vorhersagen ermöglicht.

Die Überwachung einer Anlage/eines Bauteils durch einen Techniker mittels bereits installierter Sensoren und die Anzeige des aktuellen Zustands der Anlage/des Bauteils mit Hilfe des entwickelten Wartungssystems ist eine mögliche Lösung im Kontext Predictive Maintenance, alternativ kann auch ein Ampelsystem der Überwachung des aktuellen Zustands der Anlage dienen.

Das ständige Monitoring kann als Erweiterung des Prozesses um einen 6. Schritt: Updates verstanden werden.

Schritt 6: Update

Durch die andauernde Überwachung (Monitoring des Systems) mittels der zur Datenerhebung bereits installierten Sensoren kann das Wartungssystem durch Verbessung des daten-gesteuerten Analysemodells stetig verbessert und immer individueller an die zu überwachende Anlage angepasst werden (Updates), was präzisere Vorhersagen ermöglicht.

Neben der Modellverbesserung können auch innerhalb des zu überwachenden Systems durch Feedbackschleifen, die auf Qualitätskennziffern beruhen [1], Systemanpassungen durchgeführt werden, die zu einer Steigerung der Produktivität führen.

Anwendungsbereiche aus der Praxis

Die Anwendungsbereiche in der Praxis sind umfangreich und stellen für mögliche Predictive Maintenance-Lösungen verschiedene Herausforderungen dar.

• Automotive-Bereich
  Durch die im Fahrzeug installierten Sensoren zu Messung von z.B. Druck, Temperatur, Mischungsverhältnissen usw. ist ein Monitoring des Zustands des Motors, des Fahrwerkes, der Bremsanlagen, also aller wichtigen Bestandteile eines Fahrzeuges möglich. Die erfassten Daten werden gespeichert und können in Echtzeit analysiert werden, mit Predictive Maintenance-Verfahren kann so ein Defekt frühzeitig vorhergesagt werden und damit ungeplante Ausfälle und Reparaturkosten vermieden werden. [4]
• Elektromobilität
  Ein Spezialfall des Automotive-Bereiches, der den Zustand und die Ladekapazität von Akkus in Elektrofahrzeugen überwacht und somit frühzeitig einen Batteriewechsel zu empfehlen.
• Industrie 4.0
  Durch die Digitalisierung von Fertigungsanlagen und Maschinen in der Industrie werden Daten erfasst, die ein Monitoring erlauben und in Echtzeit Empfehlungen zur Wartung eines Bauteils geben, bevor dieses ausfällt. Diese Vorausschauende Wartung hilft Ausfälle und damit Produktionsstillstände zu vermeiden, dies spart Kosten und Zeit ein und stellt einen Vorteil gegenüber üblichen Wartungsmehoden dar.
• Eisenbahn
  Neben der Überwachung der Maschinen zur Ausbesserung von Schienen durch Ausstattung mit Sensoren und anschließender Analyse mittels der Predictive Maintenance, siehe oben "Automotive-Bereich", ist es auch möglich das Schienennetz direkt über Predictive Maintenance zu überwachen. Dazu werden Spurlücken im Gleisbett durch Auswertung der in den Wagons erfassten Daten zu Vibration und Beschleunigung erkannt [5]. D.h. beim Fahren auf dem Schienen werden die gefährlichen Stellen erkannt und weitergegeben, damit Ausbesserungen sofort eingeleitet werden können und damit ein sicheres Befahren der Strecke möglich ist. Es wird damit auch ein möglicher Stillstand der Mobilität verhindert und Wartezeiten durch Unfälle vermieden. Neben dem Einsatz im Schienenverkehr ist eine Analyse anderer Untergründe möglich, z.B. bei Brücken oder Autobahnen, um den Zustand der Bodenbeschaffenheit zu überwachen.
• Versorgungs-Sektor
  - Stromnetz: Der Zustand des Netzes kann überwacht werden, indem an mehreren Stellen im Stromnetz Daten erfasst und zur Vorhersage von Spannungsausfällen, damit also als Frühwarnsystem zu Stromausfällen, genutzt werden. Dies vermeidet Abdeckungsengpässe und Kundenbeschwerden.
  - Öl und Gas: Eine Überwachung der schwerzugänglichen Offshore- und Tiefwasseranlagen ist mittels IoT- und Predictive-Maintenance-Verfahren möglich und erhöht die Lebensdauer der Anlagen und spart Kosten aufgrund der Vermeidung von zu oft durchgeführten Routine-Wartungen.
  - Windkraft: Der Zustand von Windkraftanlagen wird mittels Predictive Maintenance-Lösungen überwacht und Prognosen über deren Ausfall erstellt. [6]
• Luftfahrt
  Airlines wollen Ausfälle von Flugzeugen vermeiden um den Schaden, der durch fehlende Inbetriebnahme des Flugzeuges nicht gedeckten Fixkosten zu vermeiden. Dazu werden die Turbinen, die Pumpen oder das Fahrwerk, aber auch weitere Bauteile, mit Sensoren ausgestattet und deren Daten zur Prognose von Fehlern herangezogen. [7]

Predictive Maintenance-Lösungen auf dem Markt

Auf dem globalen Markt gibt es viele Anbieter von IoT-Anwendungen, die Smart-Factorys entstehen lassen, d.h. digitale vernetzte Zwillinge eines Unternehmens. Im nächsten Schritt können die damit erfassten Daten mittels der Predictive Maintenance zur Analyse und Vorhersage verwendet werden. Neben der Installation der Sensoren bieten viele Dienstleister auch Predictive Maintenance-Lösungen unter verschiedenen Produktnamen und Bausteinen an. Nach dem Ranking von IoT Analytics aus dem Jahr 2017 befinden sich unter den Top 20 der Predictive Maintenance-Lösungen drei deutsche Unternehmen unter den Top 7. [10]

Hier nun eine Auswahl an Predictive Maintenance-Lösungen auf dem globalen Markt:

• IBM Maximo Application Suite: Predictive maintenance [IBM]
  Die Lösung von IBM, die IBM Maximo® Application Suite mit dem Bestandteil Maximo Predict, bietet für über IoT-Sensoren erfasste Daten Predictive Maintenance-Modelle an, die z.B. in der Industrie, bei Windkraftanlagen oder Öl und Gas-Anlagen eingesetzt werden.
• Hitachi Predictive Maintenance [HIT]
  Hitachi überwacht MRI-Systeme im Gesundheitswesen mittels Predictive Maintenance-Verfahren und hat somit laut einer Studie bereits die Stillstandzeiten durch Ausfälle um 16.3% reduziert. Ein Ausbau auf andere Sektoren wie die Energieerzeugung ist geplant.
• Siemens Predictive Services [SIE]
  Siemens stellt einen Player im Industrie-Sektor dar, der mit dem Baustein Analytics der Siemens Lösung Predictive Services Maschinenausfälle verhindert und ein Monitoring von Produktionsanlagen anbietet.
• Telekom Predictive Maintenance – 360 Grad-IoT Lösung [TEL]
  Die Deutsche Telekom bietet Predictive Maintenance Lösungen für z.B. Aufzüge, Fahrtreppen und Baumaschinen an, damit Stillstandzeiten verringert werden. Über vernetzte Sensoren und Predictive Maintenance werden die Daten in Echtzeit analysiert und Fehlerquellen und Verschleiß z.B. anhand von Vibrations-, Temperatur-, Druck- sowie Erschütterungswerten erkannt.
• Bosch Nexeed Industrial Application System [BOS]
  Das Predictive Maintenance-Paket des Nexeed IAS von Bosch überwacht Fertigungsprozesse in der Industrie und verhindert somit Maschinenstillstände. So konnte bereits mittels dieser Lösung von Bosch bei Ventile für die Hydraulik mobiler Arbeitsmaschinen wie Traktoren die Instandhaltungskosten um insgesamt 25% reduziert werden.

Der Entscheidungsbaum - eine Anwendung

Der Entscheidungsbaum ist ein intuitiv nutzbares Klassifikationsmodell, das für den Einstieg besonders geeignet ist, da es eine Visualisierung der Klassifikation bzw. der hierarchisch aufeinanderfolgenden Entscheidungen ermöglicht. Ein Entscheidungsbaum besteht aus einer Wurzel, Kindknoten und Blättern, wobei jeder Knoten eine Entscheidungsregel und jedes Blatt eine Antwort auf die Fragestellung darstellt. Um eine Klassifikation eines einzelnen Datenobjektes abzulesen, geht man vom Wurzelknoten entlang des Baumes abwärts. Bei jedem Knoten wird ein Merkmal abgefragt und eine Entscheidung über die Auswahl des folgenden Knoten getroffen. Dies wird so lange fortgesetzt, bis man ein Blatt erreicht. Das Blatt entspricht der Klassifikation.

Die Rolle des Entscheidungsbaums in Predictive Maintenance-Lösungen

Es gibt verschiedene Algorithmen des Maschinellen Lernens, die zur Predictive Maintenance herangezogen werden, siehe Maschinelles Lernen: Konzepte, Methoden Tools oder auch in [4], einer dieser Algorithmen ist der Random Forest. Wie der Name schon besagt, handelt es sich um einen Wald aus Bäumen, genauer gesagt aus Entscheidungsbäumen, wie die oben Beschriebenen. Durch das Ziehen einer zufälligen Stichprobe und einer Auswahl zufälliger Merkmale (zufällige Trainingsdaten) entsteht der klassische Entscheidungsbaum [8]. Aber nicht nur einer, sondern gleich mehrere, also ein zufälliger Wald (Random Forest) von Bäumen treffen eine Vorhersage für die zufälligen Testdaten, die endgültige Vorhersage erfolgt im einfachsten Fall durch die Mehrheitsbildung, andere komplexere Algorithmen zur endgültigen Vorhersage sind aber sinnvoll, der beste Algorithmus kann mittels Performance-Kennzahlen bestimmt werden. Der in den Demos vorgestellte und zur Vorhersage verwendete Entscheidungsbaum stellt somit den Grundbaustein für den komplexeren Algorithmus des Random Forest und somit für eine in der Praxis verwendete Methode zur Predictive Maintenance dar.

elab2go - Demonstratoren

Für die Anwendung von Machine Learning-Algorithmen zur Predictive Maintenance werden aktuell meist drei Sprachen mit den dazu passenden Entwicklungsumgebungen verwendet, die Programmbibliotheken mit vergleichbarer Funktionalität anbieten: Python, MATLAB und R, es sind jedoch auch Programmbibliotheken in C / C++ und anderen Sprachen vorhanden.
Ein Klassifikationproblem kann mit Hilfe eines Entscheidungsbaum-Modells in jeder der drei Sprachen umgesetzt werden. Die Unterschiede bestehen darin, mit welchem Algorithmus der Entscheidungsbaum in der jeweiligen Sprache umgesetzt ist, welche Konfigurationsparameter eingestellt werden können, wie gut die Visualisierung ist.

Weitere Tools wie z.B. RapidMiner bieten spezialisierte Oberflächen für Endanwender ohne Programmierkenntnisse, die die Verfahren des maschinellen Lernens einsetzen wollen. Ein Prozess kann aus Bausteinen zusammengeklickt und konfiguriert werden. Das ist einfach und benutzerfreundlich, auch für Anfänger.

Unter Sprachen und Frameworks für Maschinelles Lernen finden Sie mehr Informationen.

Im folgenden sind unsere Demos zur Predictive Maintenance aufgeführt:

Demo 2: Predictive Maintenance mit RapidMiner
verwendet als Datenanalyse-Tool RapidMiner und stellt die Datenanalyse mit Bausteinen dar.
Demo 3: Predictive Maintenace mit R
zeigt den Einsatz der statistischen Programmiersprache R.
Demo 4: Interaktive PredMaintApp
zeigt den Aufbau und die Verwendung einer interaktiven Shiny-App zur Predictive Maintenance.
Demo-MAT4: Predictive Maintenace mit MATLAB
zeigt den Einsatz der Sprache MATLAB und den Umgang und die Erstellung eines Live Scripts zur Predictive Maintenance.
Demo-PY4: Predictive Maintenance mit scikit-learn
beschreibt die Datenanalyse mit Hilfe der Python-Bibliothek scikit-learn in einem Juypter Notebook.

Autoren, Tools und Quellen