Maschinelles Lernen:
Datengesteuerte Entscheidungen im Predictive Maintenance
Dr. Daniel Böhnke
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
Warum Predictive Maintenance?
Agenda
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 3
1
Ausgewählte Use Cases
2
Zusammenfassung/Ausblick
3
Motivation Predictive Maintenance
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 4
Wie optimiere ich die Performance?
(Ausfallkosten, Gewährleistungen …)
Wie verringere ich den Wartungsaufwand?
(Ressourcen, Scheduling, Lagerung …)
?
Wie erhöhe ich die Sicherheit meiner Anlage?
(Personenschäden, Akzeptanz…)
Begriffs-Glossar
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 5
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
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 6
Ausgewählte Use Cases
Radar Altimeter Monitoring (Aviatar)
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?
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 7
Radar Altimeter Monitoring
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 8
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 %
Normalverlauf
Rad ar Altimeter 1 Ba rom et ric Altitude Rad ar Altimeter 2
Kriechender Fehler
Rad ar Altimeter 1 Ba rom et ric Altitude Rad ar Altimeter 2
Sudden death
Rad ar Altimeter 1 Ba rom et ric Altitude Rad ar Altimeter 2
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 12
Ausgewählte Use Cases
Audio Processing auf Rolltreppen
Situation und Herausforderung
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 13
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
Aufbau
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 14
Merkmale
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 15
Energie
𝐸 𝑖 =
𝑛=1 𝑊
𝐿|𝑋 𝑖 (𝑛)| 2 ∙ 1 𝑊 𝐿 Zeitbereich
Mittelpunkt
𝐶 𝑖 = 𝑛=1
𝑊𝑓
𝑙𝑓 𝑛 𝑋 𝑖 𝑛
𝑛=1 𝑊𝑓
𝑙𝑋 𝑖 𝑛
Frequenzbereich
Merkmalsgewinnung
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 16
Lernstrategien
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 17
Überwacht Unüberwacht
Teil-Überwacht
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 18
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
Unser Ansatz
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 19
Initialisierung Annäherung
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 20
Ausgewählte Use Cases
Triebwerk von Drohnen
PdM für das Triebwerk von Drohnen
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 21
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?
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
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 22
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)
PdM für das Triebwerk von Drohnen
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 23
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
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
14.11.2018 #ForumDigitalisierung - Maschinelles Lernen: Datengesteuerte Entscheidungen im Predictive Maintenance 24