Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance. Dr. Daniel Böhnke

(1)

Maschinelles Lernen:

Datengesteuerte Entscheidungen im Predictive Maintenance

Dr. Daniel Böhnke

(2)

Vorstellung

Dr.-Ing.

Daniel Böhnke Data Scientist Product Owner Analytics

Ausbildung Erfahrung Schwerpunkte

 Dipl.-Ing. Uni-Stuttgart ( 2003–2009 )

 Dr.-Ing. Deutsches Zentrum für Luft- und Raumfahrt

( 2009–2015 )

 Predictive Maintenance für Luftfahrt, Logistik & Industrie- Kunden

 Predictive Maintenance Lufthansa Technik & SWISS

 Product Owner Analytics

 Python, Spark

 Machine Learning

 Numerische Optimierung

 Predictive Maintenance

 Prescriptive Maintenance

14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 2

(3)

Warum Predictive Maintenance?

Agenda

1 Ausgewählte Use Cases

2 Zusammenfassung/Ausblick

3

(4)

Motivation Predictive Maintenance

 Wie optimiere ich die Performance?

(Ausfallkosten, Gewährleistungen …)

 Wie verringere ich den Wartungsaufwand?

(Ressourcen, Scheduling, Lagerung …)

?

 Wie erhöhe ich die Sicherheit meiner Anlage?

(Personenschäden, Akzeptanz…)

(5)

Begriffs-Glossar

Ist-Stand des Assets

Zukünftiger Stand des Assets

Descriptive

Was (ist) passiert?

Prescriptive

Was sollen wir tun?

Diagnostic

Warum ist es passiert?

Predictive

Was könnte passieren?

Analytics Reparatur nach Ausfall

(ungeplant)

Prospektive Wartung

(Zustandsüberwachung und Abnutzungsabschätzung) Präventive Wartung

• Vorausbestimmte Instandhaltung (geplant, feste Wartungsintervalle)

• Zustandsorientierte Instandhaltung

(geplant, regelmäßige Zustandsprüfung) Wartungstyp

Condition Monitoring Echtzeit-Informationen über Betriebszustand überwachter

Komponenten

Model-Based Condition Monitoring

Vergleich von realem

und modellierten Ist-

Zustand

(6)

Ausgewählte Use Cases

Radar Altimeter Monitoring (Aviatar)

(7)

 Offene, modulare & neutrale MRO IT-Plattform für digitale Produkte und Dienstleistungen der Lufthansa Technik

 Fleet Management

 Condition Monitoring

 Record Status

 Performance Metrics

 Reliability Benchmarking

 Predictor Plugins

Was ist AVIATAR?

(8)

Radar Altimeter Monitoring

PAIN: Bei einem Ausfall muss das Flugzeug ohne Autopilot landen, ggfs. Flug umleiten GAIN: Überwachen der RA- Sensoren und dadurch rechtzeitige Wartung

QAR: Full Flight Daten

~250.000 Flüge

SENSOREN: 2 x RA Sensoren &

barometrische Höhe

PFR – Faults & Workorders

MODEL: Klassifizierung

PREDICTION: Warnung bis zu 14 Tage vor dem Versagen

PERFORMANCE: 39 % der Ausfälle werden erkannt und sehr niedrige False-Positive- Rate

Positive Negative

Predict Posi

tive 39 % 0,03 %

Predict Ne gati ve

61 % 99,9 %

(9)

Normalverlauf

Rad ar Altimeter 1 Ba rom et ric Altitude Rad ar Altimeter 2

(10)

Kriechender Fehler

Rad ar Altimeter 1 Ba rom et ric Altitude Rad ar Altimeter 2

(11)

Sudden death

Rad ar Altimeter 1 Ba rom et ric Altitude Rad ar Altimeter 2

(12)

Ausgewählte Use Cases

Audio Processing auf Rolltreppen

(13)

Situation und Herausforderung

 Die Wartung fehlerhafter Fahrtreppen wird zu einem wachsenden Kostentreiber

 Fehlerfrüherkennung reduziert die Kosten für die Wartung, z.B. Vermeidung von komplettem Ausfall

 Hypothese: Anhand von Audiosignalen können Fehler früh erkannt werden.

 Challenge: Am Anfang gibt es keine Labels, alles wird als „normal“ angenommen; Fehler sind nicht bekannt.

Herausforderung/Potential

Ausschöpfen des Potentials von Audio-Signalen

für die Erkennung von fehlerhaften Fahrtreppen

(14)

Aufbau

(15)

Merkmale

Energie

𝐸 𝑖 =

𝑛=1 𝑊

_𝐿

|𝑋 _𝑖 (𝑛)| ² ∙ 1 𝑊 _𝐿 Zeitbereich

Mittelpunkt

𝐶 _𝑖 = ^𝑛=1

𝑊𝑓

_𝑙

𝑓 𝑛 𝑋 _𝑖 𝑛

𝑛=1 𝑊𝑓

_𝑙

𝑋 _𝑖 𝑛

Frequenzbereich

(16)

Merkmalsgewinnung

(17)

Lernstrategien

Überwacht Unüberwacht

(18)

Teil-Überwacht

Teil-Überwacht Warum?

 Keine, oder nur sehr wenige Labels stehen anfänglich zur Verfügung

 Wahre Labels werden in „Handarbeit“ erzeugt

 Zeitaufwändig

 Begrenzte Ressourcen

 Ungelabelte Daten sind in großer Menge vorhanden

(19)

Unser Ansatz

Initialisierung Annäherung

(20)

Ausgewählte Use Cases

Triebwerk von Drohnen

(21)

PdM für das Triebwerk von Drohnen

 Drohnen zeichnen mit 20 Sensoren ca. 200 Signale auf

 Sensoren umfassen eine große Vielfalt von Signalen: z.B.

Beschleunigung, Vibration, GPS, Stromstärken, Drehzahl der Motoren usw.

 Signale werden in in unterschiedlichen Abtastraten

aufgezeichnet (10–1000HZ). Abtastraten sind nicht konstant über die Zeit.

 Heruntertaktung hoher Abtastraten; Anwendung einfacher Statistiken (Mittelwert, Standardabweichung etc.)

 Viele Drohnentypen auf dem Markt

Herausforderungen

Können Fehlertypen anhand von Sensordaten für

unterschiedliche Drohnen korrekt erkannt werden?

(22)

 Elektronische Geschwindigkeit

 Stromstärke

 Drehzahl pro Minute (RPM)

 Reines Signal

 z.B. Beschleunigung

 Gyroskop

 Grad der Drehung: X, Y, Z

 Kontrollkommandos

 Fernsteuerung In/Out

PdM für das Triebwerk von Drohnen

Fehlertypen Merkmale

 Health H01

 1 Stunde ohne Ereignis

 Failure F01

 Innenblatt von Motor 4

 wurde umgeknickt

 Failure F02

 Blattspitze wurde gekürzt

 ~7,5mm (motor 4)

(23)

PdM für das Triebwerk von Drohnen

Methode

 Wahrscheinlichkeitsverteilung

(Histogramm gleich großer Gruppen)

 Pro Merkmal (univariat)

 Pro Fehlertyp

 Bsp.: ESC_Current für 3 Fehlertypen

 Klassifizierung von Flug F

 max

𝑐,𝑓𝑠 cos(𝐹, 𝑇𝑟𝑎𝑖𝑛 _{𝐹𝑠,𝐶} )

 fs: features; c: {H,F1,F2}

 cos: Kosinus-Ähnlichkeit

(24)

 Wachsende Automatisierung/Komplexität in Fertigung, Logistik usw.

 Ausfall von Maschinen wird immer kritischer; kann zu Stilllegung von ganzen Fertigungsstraßen oder

Logistikzentren kommen

 Beispiel: Smarte Abkipptechnik bei Förderbändern

 Lösung: Packstücke/Ladehilfsmittel mit Sensoren/

Mikrofonen ausstatten; frühzeitige Erkennung von Anomalien

Zusammenfassung/Ausblick

Zusammenfassung Ausblick

 Use Cases aus unterschiedlichen Bereichen:

 Flugzeugwartung

 Rolltreppenwartung

 Drohnenwartung

 Heterogene Anforderungen:

 Gewichtete Evaluierung

 Wenig gelabelte Daten

 Schnelle Integration neuer Daten

 Kein Standardvorgehen möglich

 Lösungsmuster übertragbar

(25)

Haben Sie noch Fragen oder wünschen weitere Informationen?

Kai Wiechern, Direktor Schweiz kai.wiechern@lhind.dlh.de

+49-175-2949 913