Es gibt verschiedene Arten der Instandhaltung, darunter die Anwendungen des Machine Learning in der vorausschauenden Instandhaltung.
Korrektive Instandhaltung
Die Maschine ist in Betrieb, bis ein Instandhaltungsbedarf auftritt (Ausfall, Defekt usw.). Die Maschine wird nach dem Ausfall repariert.
Präventive Instandhaltung
Die Maschine ist für eine definierte Dauer in Betrieb (in Zeit oder Anzahl der Zyklen). Diese Dauer ist so bemessen, dass die Maschine keine Zeit hat, auszufallen. Nach Ablauf dieser Dauer wird die Maschine unabhängig von ihrem Verschleißzustand oder Betriebszyklus repariert.
Vorausschauende Instandhaltung
Die Maschine wird während ihres Betriebs überwacht, und die Instandhaltung wird anhand der erfassten Daten geplant. Diese letzte Art der Instandhaltung gilt heute als die vielversprechendste für die Industrie 4.0. Sie ermöglicht es nämlich, die Instandhaltungskosten so gering wie möglich zu halten, da die Maschinen bis an die Grenze ihrer Belastbarkeit genutzt werden, während ungeplante und unerwartete Ausfälle auf ein Minimum reduziert werden.
Die vorausschauende Instandhaltung gab es bereits, bevor es wirklich geeignete IT-Lösungen für diesen Bedarf gab. Noch heute setzen viele Industriezweige auf die manuelle Methode, bei der ein Techniker die Maschinen abfährt, um KPIs zu erfassen, mit denen sich Anomalien erkennen lassen.
Das Aufkommen von Maschinen und Algorithmen, die eine Automatisierung dieser Aufgaben ermöglichen, wirft die folgende Frage auf: Welche Technik eignet sich am besten, um den Zustand einer Industriemaschine vorherzusagen?
Künstliche Intelligenz ist die Disziplin, die darauf abzielt, menschliches Denken mithilfe eines Algorithmus oder eines anderen künstlichen Entscheidungsverfahrens nachzubilden. Das Machine Learning besteht aus programmierter KI: Dabei werden einem Machine-Learning-Algorithmus Daten sowie das für diese Daten erwartete Ergebnis übergeben, und der Algorithmus leitet daraus die algorithmischen Regeln ab. Dies nennt man das Lernen.
Im Rahmen eines Projekts zur vorausschauenden Instandhaltung stehen mehrere Lösungen der künstlichen Intelligenz zur Verfügung, um diese Problematik zu lösen:
Der Ansatz des Deep Learning und die daraus resultierenden Machine-Learning-Algorithmen verfolgen die Philosophie, rohe, unverarbeitete Daten zu sammeln und sie einem deutlich komplexeren und leistungsfähigeren Algorithmus als im Machine Learning zuzuführen. Dieser Algorithmus liefert Modelle, die in der Lage sind, Rohdaten zu analysieren und sich wiederholende Muster und Formen zu erkennen, um nach und nach Signalfragmente zusammenzufügen, bis eine Entscheidung getroffen werden kann.
Jeder Ansatz hat seine Vorteile und Nachteile. Deep Learning ist tendenziell leistungsfähiger, leidet im Gegenzug jedoch unter einer deutlich höheren Rechenzeit als sein Pendant (es muss die Muster selbstständig entdecken, während das Machine-Learning-Modell anhand vorgegebener Muster aufgebaut wird).
Ein angenehmer Aspekt beim Machine Learning ist, dass das Modell nicht vollständig eine Blackbox darstellt, da es zur Lösung eines sehr genau definierten Problems konzipiert wurde, im Gegensatz zu einem Deep-Learning-Modell, bei dem es deutlich komplizierter ist, den vom Algorithmus eingeschlagenen Weg nachzuvollziehen.
Die entscheidende Einschränkung ist die Implementierung im eingebetteten System (Embedded). Es ist nämlich deutlich einfacher, Embedded-Systeme mit niedrigem Energieverbrauch mit Machine Learning zu kombinieren als mit Deep Learning, vor allem aufgrund der hohen Rechenzeit, die Letzteres erfordert.
Auch ihre Anwendungsbereiche unterscheiden sich: Deep Learning ist sehr effizient in Bereichen, in denen es an Experten zum Aufbau von Modellen mangelt – oft handelt es sich dabei um sehr aktuelle und komplexe Problemstellungen wie die Objekterkennung auf Bildern, die medizinische und militärische Bildgebung, die intelligente Textverarbeitung, die Spracherkennung usw. Der Machine-Learning-Ansatz hingegen beschränkt sich auf gut bekannte Bereiche, in denen Automatisierungsbedarf besteht, wie die vorausschauende Instandhaltung, das IoT, die Betrugserkennung usw.
Tiny ML ist eine Machine-Learning-Technik, die in energiesparenden Systemen wie Sensoren und anderen IoT-Geräten implementiert wird. Diese Geräte integrieren reduzierte und optimierte Anwendungen des maschinellen Lernens. Einer der wichtigsten Vorteile besteht darin, dass sie nicht mit dem Internet verbunden sein müssen – die gesamte Verarbeitung erfolgt lokal. Erkennt das System eine Anomalie, kann es eine einfache Warnmeldung an den Nutzer senden. Hierfür kann eine LPWAN-Funktechnologie mit niedriger Datenrate verwendet werden, um diese Nachricht zu übermitteln (LoRa, Sigfox, NB-IoT, LTE-M, 2G usw.).
ATIM arbeitet an diesem Thema TinyML und bietet Evaluierungskits an. Kontaktieren Sie uns, wenn Sie weitere Informationen zu den KI-Lösungen von ATIM wünschen.





Mobile Anwendung




