Prädiktive Instandhaltung
21
Das Themengebiet Predictive Maintenance ist
kein neues Thema. Inhaltlich bewegt es sich im
Themenumfeld der Automatisierung und kann
softwareseitig in ein Manufacturing Execution
System integriert werden (vgl. Bild 1). Die Inte-
gration ermöglicht es wiederum, dass Ergeb-
nisse aus der Auswertung von Maschinenda-
ten in die Produktionskontrolle miteinbezogen
werden können. Im ersten Teil dieses Beitrags
stellen wir ein Predictive Maintenance System
anhand einer grundlegenden Modulstruktur
vor (vgl. Bild 2) und diskutieren ausgewählte
Module (vgl. die fettgedruckten Module im
Folgenden mit Bild 2). Anschließend stellen wir
entlang eines realen Industriedatensatzes eine
Methode zur Datenreduktion vor, die einen
wichtigen Bestandteil im Kontext von Predic-
tive Maintenance darstellen kann.
Teil 1: Modulstruktur für Predictive
Maintenance Systeme
Aufgrund der umfangreichen Funktionalitäten
eines Predictive Maintenance Systems, wur-
de ein Übersichtsschaubild der Komponenten
entwickelt (vgl. Bild 2). Dieses wird im Folgen-
den erläutert. Zur Einführung eines Predictive
Maintenance Systems [1] muss eine Datenbasis
des gesamten Maschinenzustandes extrahiert
werden. Um dies zu ermöglichen, ist folgende
Frage von zentraler Bedeutung: Welche Ge-
nauigkeit wird für die Messdaten benötigt? Die
Aufgabe des verantwortlichen Sensormoduls
liegt darin, (a) einen kontinuierlichen Verlauf
der Maschinensignale durch Abtastung zu dis-
kretisieren, (b) die gewünschte Signalauflösung
durch Quantisierung festzulegen sowie ggf. (c)
eine Metastruktur zur Organisation der Daten zu
identifizieren. Eine Metastruktur könn-
te entstehen, indem die Maschinensi-
gnale mit der Protokollsprache Open
Platform Communication Unified Ar-
chitecture (OPC-UA) softwareseitig
wiederum als Maschine abgebildet werden. Um
Fehler bei der Übertragung von kontinuierlichen
zu diskreten Werten während der Abtastung zu
vermeiden, sollte das Nyquist-Shannon-Abtast-
theorem [2] beachtet werden, welches eine voll-
ständige Rekonstruktion des Ursprungssignals
ermöglicht, indem die Abtastrate größer als die
doppelte Ursprungsfrequenz des Datensatzes
gewählt wird (d. h. fabtast>2*fmax(signal)). Im Bereich
von Maschinen mit hochfrequenten Signalen
führt dies zu sehr hohen Anforderungen an die
Sensorik. Mittels der Quantisierung kann eine
verlustbehaftete Kompression durchgeführt
werden. Durch das Auf- oder Abrunden des Sig-
nalwertes auf die nächste Quantisierungsstufe,
welche durch die Schrittweite Δ ermittelt wird,
ergibt sich der verwendete diskrete Wert. Der
Quantisierungsfehler wird durch die mittlere
quadratische Abweichung (engl. MSE – Mean
Square Error) angegeben. Nach diesen zwei
Schritten liegt der gemessene Wert digital im
System vor und kann durch Meta-Informatio-
nen wie Maschineninformationen (z. B. Lauf-
zeit) ergänzt werden. Um die Sinnhaftigkeit der
erhaltenen Werte zu überprüfen, wird optional
das Modul Data Quality ausgeführt. Folgende
Fragestellungen sind in diesem Kontext rele-
vant:
•
Consistency:
Sind die Daten konsistent?
•
Validity:
Passt die Intervallzuordnung und
der Datentyp?
•
Completeness:
Sind alle Sensorwerte ge-
setzt oder gab es NULL-Einträge?
Datengetriebene Module
für Predictive Maintenance
Betrachtung verschiedener Module für eine datengetriebene,
vorausschauende Wartung
Burkhard Hoppenstedt, Rüdiger Pryss, Alexander Treß, Bernd Biechele und Manfred Reichert
www.uni-ulm.de/dbis
www.atr-software.de
M. Sc. Burkhard Hoppenstedt ist
externer wissenschaftlicher Mitarbeiter
am Institut für Datenbanken und Infor-
mationssysteme (DBIS) der Universität
Ulm. Seine Promotion befasst sich mit
Predictive Methoden im Umfeld von
Manufacturing Execution Systems.
Dr. Rüdiger Pryss ist Habilitand am
Institut für Datenbanken und Informa-
tionssysteme und beschäftigt sich in
seiner Forschung mit der innovativen
Datensammlung durch den Einsatz
mobiler Technologien und ihrer
Verknüpfung mit prozessorientierten
Informationssystemen.
Dipl.-Inf. Alexander Treß ist Ge-
schäftsführer der atr Software GmbH,
deren Spezialgebiete die Automati-
sierungstechnik und Produktionspla-
nungssysteme sind.
Prof. Dr. Manfred Reichert ist Direktor
des Instituts für Datenbanken und
Informationssysteme an der Universität
Ulm. In seiner Forschung entwickelt er
adaptive Prozess Management Techno-
logien der nächsten Generation.
Dipl.-Inf. Bernd Biechele leitet die
Softwareentwicklung der EOS GmbH,
die industrielle 3D-Drucker herstellt.
Der Wunsch aus Produktionsdaten einen vorausschauenden Wartungszyklus abzu-
leiten, definiert das Umfeld des Themengebiets Predictive Maintenance. Hierbei un-
terscheiden sich die jeweiligen Anforderungen an eine Anwendung sehr stark, u. a.
aufgrund der zugrunde liegenden Datenbasis, bestehenden Echtzeitanforderungen
und vorhandenem Expertenwissen. Im Folgenden wird erörtert, welche Module in
den Kreislauf eines Predictive Maintenance Systems einfließen können. Ein Schwer-
punkt liegt auf der Datenreduktion mittels der Principal Component Analysis.
In diesem Beitrag lesen Sie:
9aus welchen Modulen ein Predic-
tive Maintenance System aufge-
baut seien kann,
9wie sich diese Module miteinan-
der kombinieren lassen und
9wie eine Datenreduktion mit der
Principal Component Analysis auf
Maschinendaten aussehen kann.
Prädiktive Instandhaltung
22
productivity 22 (2017) 1
•
Timeliness:
Lassen die Zeitstempel Rück-
schlüsse auf Verzögerungen zu?
•
Accuracy:
Ist die Auflösung gut genug ge-
wählt worden (vgl. MSE)?
Sollte eine dieser Bedingungen verletzt sein,
kann ein Datensatz in der Datenbank als kor-
rupt markiert werden und ein Hinweis an das
Monitoringmodul gesendet werden. In einem
Dashboard werden Verlaufsinformationen, Hin-
weise und Empfehlungen visualisiert. Eine Ver-
letzung der Completeness-Bedingung könnte
beispielsweise durch den Hinweis aufbereitet
werden, dass nicht alle benötigten Sensoren
angeschlossen sind.
Um Zusammenhänge innerhalb der Signale zu
erkennen, muss eine Feature Extraction ange-
wandt werden. Eine Datenkurve wird zuerst in
Teilkurven unterteilt und anschließend mit ver-
schiedenen Methoden des Data-Minings oder
der Zeitreihenanalyse analysiert. Eine Vergleich-
barkeit der Daten wird durch die Normalisierung
zu zero mean in Kombination mit einer
einheitlichen Varianz hergestellt [3].
Um ein System „predictive“ zu machen, muss
zunächst eine Wissensbasis anhand der vergan-
genen Daten angelernt werden, um darauf ba-
sierend Prognosen für die weitere Entwicklung
aufzustellen. Ein üblicher Ansatz für das Anlernen
bzw. Training stellen Neuronale Netze [4] dar,
welche eine Inputmenge mittels einer variablen
Anzahl von Verbindungsknoten auf eine Ausga-
be verrechnen. Die Gewichtung der Zwischen-
knoten kann über eine Rückwärtsberechnung
antrainiert werden. Mittels einer Brute Force-Test-
methode kann zudem die Anzahl der Verbin-
dungsknoten ermittelt werden, indem das beste
Resultat aus einem getesteten Intervall (vgl. [3])
verwendet wird. An dieser Stelle ist jedoch Vor-
sicht angebracht, da ein intensiviertes Lernen
nicht immer besser ist. So kann es passieren, dass
bei verstärktem Lernen viele, auch nebensächli-
che, Aspekte antrainiert werden. Bei iterativen
Lernalgorithmen kann hier die sogenannte Early
Stopping Regularization eingesetzt werden, um
diesen Effekt zu verhindern. Sequentielles An-
lernen ist wesentlich komplexer als Lernen auf
einem ganzen Datensatz, weil das Entfernen des
Rauschens (Noise) und das nachträgliche Zuord-
nen zu einem Cluster erschwert werden [5].
Alle nun berechneten Informationen werden in
einer Wissensbasis (Knowledge Base) verwaltet.
Der ermittelte Zustand der Maschine und der
Abgleich der aktuellen Daten mit einem antrai-
nierten Normalzustand ermöglichen wiederum
eine Vorhersage. Es ist an dieser Stelle ratsam,
menschliches Expertenwissen mit in die Wissens-
basis aufzunehmen. Für die Modellierung von
Expertenwissen ist die sogenannte Fuzzy Logic
[6] ein sinnvolles Instrument, weil viele Regeln
ineinandergreifen und nicht klar gegeneinander
abgegrenzt werden können.
Mithilfe der entstandenen Wissensbasis, die sich
aus dem Dateninput und dem Expertenwissen
speist, wird ein Wartungszyklus aufgebaut. Die
Produktionsoptimierung kann entweder eine
quantifizierte oder eine qualitative Zielsetzung
haben. Während im quantifizierten Ansatz die
Maximierung der Verfügbarkeit bei gegebenen
Instandhaltungskosten das Ziel ist, wird im qua-
litativen Ansatz die Reduktion der Instandhal-
tungskosten bei Erhalt der Verfügbarkeit in den
Vordergrund gestellt.
Teil 2: Datenreduktion im konkreten
Anwendungsszenario
Die auszuwertenden Daten liefert eine indus-
trielle 3D-Druckmaschine, von welcher zehn
messende Sensoren untersucht wurden. Die
Sensoren liefern Positions-, Geschwindigkeits-,
Temperatur-, Druck- und Gaskonzentrations-
Bild 2: Module eines
leistungsfähigen Pre-
dictive Maintenance
Systems.
Bild 1: Predictive Main-
tenance kann Teil eines
MES sein. Jedoch ist es
kein isoliertes Modul, son-
dern es nutzt, erweitert
und steuert vorhandene
Module.
Prädiktive Instandhaltung
23
Literatur:
[1] Mobley, R.: Introduction to Pre-
dictive Maintenance. Woburn
2002.
[2] Nyquist, H.: Certain Topics in
Telegraph Transmission Theo-
ry. Oregon 1928.
[3] Bansal, D.: A real-time predic-
tive maintenance system for
machine systems. Birming-
ham 2004.
[4] Fausett, L.: Fundamentals of
neural networks: architectures,
algorithms, and applications,
Melbourne 1994.
[5] Amadou Boubacar, H.: SAKM:
Self-adaptive kernel machine
A kernel-based algorithm for
online clusterin. Douai 2008.
[6] Simpson, P.: Fuzzy min-max
neural networks -- Part 2: Clus-
tering, San Diego 1993.
[7] Pearson, K.: On lines and pla-
nes of closest fit to a system of
points in space, London 1901.
angaben. Ein 3D-Drucker trägt
verschiedene Schichten auf
und pro Schicht werden die
Sensorwerte abgespeichert.
Aufgrund der enormen Da-
tenmenge empfiehlt sich eine
Datenreduktion, um spätere,
rechenaufwändige Berechnun-
gen, wie z. B. das Training eines
Neuronalen Netzes, möglichst
schnell durchzuführen. Eine
Transformation bildet die ur-
sprünglichen Datenpunkte in
einen subdimensionalen Raum
ab (vgl. Bild 3). Diese Methode
der Hauptkomponentenanaly-
se (Principal Component Ana-
lysis) [7] bietet zwei Vorteile:
Erstens kann eine Dimensi-
onsreduktion der Daten vor-
genommen werden (Kompression); Zweitens
lassen sich Zusammenhänge innerhalb der
einzelnen Eingabedaten feststellen.
Betrachten wir nun einen exemplarischen
Druckauftrag mit 34 Schichten: Dieser liefert
die Ausgangsmatrix M(34,10) mit jedem Zeilen-
eintrag, definiert durch die zehn Sensorwerte
einer Schicht. Als Ergebnis der PCA erhalten
wir nun die zehn Hauptkomponenten und eine
neue Matrix M‘ derselben Dimension wie M mit
den transformierten Datenpunkten. Für jede
Hauptkomponente ist ihr Anteil an der Vari-
anz bekannt. Wenn wir die kumulative Summe
für den absteigend geordneten Vektor durch
die Summe der Varianz teilen, erhalten wir die
prozentuale Abdeckung der Gesamtvarianz
p nach n Komponenten, hier mit folgendem
praktischen Ergebnis: {p1:41.600 %, p2:72.620 %,
p3:0.993 %, p4:99.900 %, […] p10:100.000 %...}.
Mit einer Hauptkomponente können wir
41.6 % der Ursprungsvarianz abbilden. Ein zu-
friedenstellendes Ergebnis erhalten wir nach
Erreichen der dritten Hauptkomponente.
Somit wissen wir nun, dass bereits mit drei
Hauptkomponenten 99 % der Varianz abge-
deckt werden können. Diese sehr starke Re-
duktion entstand durch eine hohe Anzahl von
Konstanten in den Sensorergebnissen.
Entstandene Vorteile durch die Principal Com-
ponent Analysis:
• Hochdimensionale Daten können nun mit we-
nig Informationsverlust im zwei- oder drei-di-
mensionalem Raum visualisiert werden.
• Durch eine Kompression wird die Anwen-
dung schneller, was im Idealfall sogar Echt-
zeitanwendungen auf großen Datensätzen
ermöglicht.
• Ausreißer in den Datenpunkten (möglicher-
weise abnormales Verhalten der Maschine)
lassen sich leichter durch die vorherige Eli-
minierung von Daten mit wenig Informati-
onsgehalt ausfindig machen.
Ausblick
Ein Predictive Maintenance System lässt sich
nur sehr schwer generalisieren. Wie in diesem
Beitrag gezeigt wurde, kann es aus vielen ver-
schiedenen Modulen bestehen, die mitein-
ander verknüpft werden müssen. Optionale
Module, die z. B. die Überprüfung der Daten-
qualität sicherstellen, bringen neue Aspekte
mit sich, wirken sich aber evtl. schlecht auf die
Gesamtlaufzeit aus. Ein zukünfti-
ges Ziel sollte es daher sein, in der
Produktion die Schnittstellen zu
den einzelnen Modulen zu stan-
dardisieren, um sie (a) einfacher
verknüpfen zu können und (b)
mit anderen Anwendungen ver-
wenden zu können, um schließ-
lich die Produktion nachhaltig zu
verbessern.
Schlüsselwörter:
Predictive Maintenance, neuron-
ale Netze, Hauptkomponenten-
analyse, Fuzzy Logic
Data-Driven Modules in the Context of
Predictive Maintenance
The goal to identifiy an optimal maintenance
schedule defines the requirements for predictive
maintenance. The demands for this application
type vary significantly due to different databases,
real-time requirements and existing expert know-
ledge levels. In this article, different modules of a
Predictive Maintenance Application are explained
and the Principal Component Analysis is discussed
along industrial data.
Keywords:
Predictive Maintenance, Neural Networks, Principal
Component Analysis, Fuzzy Logic
Bild 3: Die ursprüngliche 10-dimensionale Daten-
menge wurde in das neue Koordinatensystem,
welches durch die drei blau markierten Haupt-
komponenten (x4,x7,x8) aufgespannt ist, übertra-
gen. Der Großteil der 34 Datenpunkte bewegt
sich entlang der Hauptkomponente x8. Zwei
Ausreißer (grün eingekreist) sorgen für die große
Varianzabdeckung von x4 und x7.
