Predictive Maintenance: Wie Datenexperten mit Anomalie-Erkennung Maschinenausfälle verhindern

Die vorausschauende Wartung hilft dabei, teure Maschinen- und Anlagenausfälle zu vermeiden und Ersatzteile frühzeitig zu ordern. Dr. Olivia Lewis, Head of Data Science bei The unbelievable Machine Company, berichtet im Interview über Einstiegshürden, das benötigte Data-Knowhow und Chancen von Predictive Maintenance.

Obwohl Predictive Maintenance einer der ersten Use Cases für Big Data war, gibt es in der Praxis bisher nur punktuelle Leuchtturmprojekte. Was ist die größte Herausforderung bei der Umsetzung solcher Vorhaben?

Olivia: Im IoT-Umfeld fallen sehr viele Sensordaten an und hier ist das Thema Datenqualität eine große Herausforderung. In unseren Projekten haben wir nur sehr selten gelabelte Daten vorgefunden. Sie sind wichtig, um Predictive Maintenance mit Supervised Machine Learning umsetzen zu können, sonst gilt schnell das bekannte „Garbage in – Garbage out“. Deshalb geht es in der Praxis häufig erst einmal darum, zu vermitteln, wie gut gelabelte, also mit Infos über die sogenannte „Ground Truth“ versehene Daten aussehen sollten.

Wie müssen denn die Daten für das Supervised Machine Learning beschriftet sein?

Olivia: Das kann man sich vorstellen wie bei einer Tabelle, in der jeweils die Spalte „auffällig“ und „nicht auffällig“ angekreuzt ist. Eine weitere Verbesserung der Ground Truth wäre die Information, ob die Auffälligkeit schadhafter oder normaler Natur ist. Optimal wäre allerdings die Spezifikation des Schadens oder Problems. Das ist wichtig, um dem Algorithmus zu sagen, an welchem Punkt eine Maschine nicht mehr funktioniert. Denn nur wenn klar ist, wann eine Maschine Probleme hat, kann man auch herausfinden, welches Verhalten und welche Muster im Vorfeld dazu geführt haben.

Ein solches Labeling bedeutet natürlich einigen Aufwand und lohnt sich erst zu einem späteren Zeitpunkt für Predictive Maintenance. Lässt sich das Thema auch anders angehen?

Olivia: Es gibt auch Methoden, die ohne vorab gelabelte Daten funktionieren. Oft lässt sich viel erreichen, indem Anomalie-Detektion mit Algorithmen des unüberwachten Maschinellen Lernens zum Einsatz kommen. Ein Beispiel ist eine Vibrationsmessung von Extruder-Getrieben: Durch Expertenwissen vom Kunden und auch anhand der Spektren konnten wir feststellen, in welchen Monaten eine Maschine gut lief. Ganz detailliert gesagt, war es auf dieser Basis möglich, die Mischverteilung eines Gaussian Mixture Modells auf den Daten des Normalzustandes mittels Expectation-Maximisation-Algorithmus (EM) zu berechnen. Die Log-Likelihood des Modells hat uns dann einen konkreten Anomalie-Kennwert an die Hand gegeben. Dieser Kennwert zeigt an, wie groß die Abweichung des Spektrums vom Normalzustand ist. Das geht in Richtung Outlier-Detection, bei der Ereignisse und Beobachtungen identifiziert werden, die als „Ausreißer“ im Vergleich zum Normalzustand gelten. Mittels des Anomalie-Kennwerts lässt sich dann festlegen, dass ab einem bestimmten Punkt die Abweichung zu stark ist: Der Punkt, an dem ein Mensch sagen würde, hier stimmt etwas nicht und wir sollten die Maschine prüfen.

Es ist ja erstaunlich, dass die Predictive-Maintenance-Algorithmen häufig wirklich sehr genaue Vorhersagen treffen können. Wie sah das in diesem Fall aus?

Mit diesem Mechanismus konnten wir alle Punkte finden, an denen ein Mensch gesagt hätte, dass man hier handeln muss. Wir haben auch zwei Beispiele gefunden, die die Experten übersehen hatten. Das zeigt: Auch wenn keine gelabelten Daten vorhanden sind, ist also nicht alles verloren. In der Praxis sind solche Workarounds sogar eher der Normalfall.

Nun ist der Aufwand, solche Algorithmen für Predictive Maintenance zu erstellen, ja ziemlich hoch und mit einigen Kosten verbunden. Lohnt sich das denn überhaupt?

Olivia: Hier ist es zum einen wichtig, den Kostenaufwand zu quantifizieren, der durch einen Ausfall entsteht, wenn beispielsweise eine kaputte Maschine eine ganze Produktionsstraße lahmgelegt. Dazu gehören auch Konsequenzen wie zusätzliche Ausgaben für Sonderschichten. Oft wird bei der ROI-Betrachtung übersehen, dass die involvierten Fachleute, die ansonsten visuell auf dem Bildschirm die Maschinenkennzahlen verfolgen – oder sich durch Excel-Tabellen durchklicken – auch einen finanziellen Aufwand darstellen: Geschultes Fachpersonal ist nicht billig. Hinzu kommt, dass selbst erfahrene Mitarbeiter einiges übersehen.

Teilweise gibt es ja auch Settings, in denen die Wartung nur sehr schwer durchzuführen ist?

Olivia: Auf jeden Fall. Wir hatten zum Beispiel ein Anwendungsszenario in einem Offshore-Windpark. Ein Kugellager auszutauschen, war nicht nur sehr umständlich, weil dazu Wartungspersonal extra anreisen muss. Vor allem gab es nur sehr wenig Schiffe, die mit dem nötigen Kran ausgestattet waren: Deren Nutzung war entsprechend teuer. Um eine vorausschauende Wartung zu ermöglichen, wurden die Windräder mit Audiosensoren ausgerüstet. Wir haben die Audiofiles dann direkt per Radio vom Offshore-Park bekommen.

Wie seid ihr dabei vorgegangen?

Olivia: Zunächst hat ein Experte die Geräusche der Umdrehungen geprüft und definiert, wann ein Kugellager kaputt geht oder ist. Mit diesem Input haben wir ein spezifisches neuronales Netz auf das funktionierende Stadium angesetzt. Sobald es eine Abweichung zum Normalstadium gibt, verstärkt dieses Autoencoder-Netz diese Abweichung. Solche Modelle erlernen eine geeignete Kompression der Daten und – anders als bei Verfahren aus dem Bereich des Supervised Learnings – werden die Modelle im Hinblick auf die Qualität der Datenkompression optimiert. Die letzte Schicht des Autoencoders „versucht“ dann, das Eingangssignal zu rekonstruieren. Autoencoder eignen sich  besonders gut für den Einsatz als Anomaly Detection Model. Die Kompression wird in diesem Fall an die häufig auftretenden, „gewöhnlichen“ Daten angepasst. Die seltenen Daten fallen bei der Optimierung weniger ins Gewicht und weisen somit die höheren Rekonstruktionsfehler auf.

Welches Ergebnis konntet ihr so erzielen?

Wir haben es mit unserer Lösung geschafft, die meisten Abweichungen zu erkennen. Die Erfahrung hat gezeigt: Ab dem Zeitpunkt, an dem die Kugellager beginnen, untypisch zu vibrieren, laufen die Windräder trotzdem noch einige Monate weiter. So lässt sich ein Ausfall also teilweise bis zu einem Vierteljahr im Voraus vorhersagen. Zugleich kann jetzt die Route des Schiffs optimiert werden, weil man weiß, welche anderen Kugellager ebenfalls ausgetauscht werden müssen.

 

Dr. Olivia Lewis, Head of Data Science bei The unbelievable Machine Company

This post is also available in: Englisch