Automatisiertes maschinelles Lernen eröffnet neue Möglichkeiten

SKFs Automated Machine Learning (AutoML)-Angebot SKF Enlight AI wendet selbstlernende Algorithmen auf Echtzeit-Prozessdaten an, um Anomalien zu erkennen und drohende Anlagenstörungen vorherzusagen. Es vereint Maschinenprozessdaten mit Informationen aus dem Schwingungs- und Condition Monitoring. Mit den so gewonnenen Ergebnissen können Wartungsteams rechtzeitig gewarnt und mit allen notwendigen Informationen aus der Maschine versorgt werden. Damit vermeiden Anwender Maschinenausfälle und senken ihre Kosten.
SKF Enlight AI wendet selbstlernende Algorithmen auf Echtzeit-Prozessdaten an, um Anomalien zu erkennen und drohende Anlagenstörungen vorherzusagen. Damit können Wartungsteams rechtzeitig gewarnt und mit allen notwendigen Informationen aus der Maschine versorgt werden.
SKF Enlight AI wendet selbstlernende Algorithmen auf Echtzeit-Prozessdaten an, um Anomalien zu erkennen und drohende Anlagenstörungen vorherzusagen. Damit können Wartungsteams rechtzeitig gewarnt und mit allen notwendigen Informationen aus der Maschine versorgt werden.Bild: SKF GmbH

Automated Machine Learning zielt darauf ab, unregelmäßige Datenmuster zu erkennen, die auf drohende Maschinenausfälle hinweisen. Dabei werden sehr große Datenmengen verarbeitet und die optimalen Algorithmen zur Analyse der Datenströme gewählt. Das erlaubt eine schnellere Modellierung und eine höhere Genauigkeit als bei einer herkömmlichen KI-Methodik. Damit bekommen Instandhaltungsteams durch frühere Störungsmeldungen und die Übermittlung aller wichtigen Daten die notwendige Zeit und Informationen für die Instandhaltungsplanung und die Diagnose, bevor es zu einem Maschinenausfall kommt. „Das Spannende an dieser Entwicklung ist aber, dass wir Schwingungs- und Prozessdaten von Anlagen kombinieren können“, sagt Eitan Vesely, SKF AI Offering Manager. „Wenn wir die so gewonnenen Erkenntnisse und ihre Bedeutung für die praktische Nutzung betrachten, stellen wir fest, dass das Ergebnis größer ist als die Summe seiner Teile.“

AutoML fördert neue Geschäftsmodelle

Isoliert betrachtet ist die zustandsabhängige Instandhaltung auf AutoML-Basis ein leistungsstarkes Werkzeug zur Vorhersage von Störungen. Es bietet umfassenden Einblick in den Anlagenzustand auf Sensor-, Anlagen- und Betriebsebene. Doch ist seine Bedeutung für Angebote wie REP (Rotating equipment performance) noch viel größer. Mit seiner AutoML-Lösung – SKF Enlight AI – kann SKF dieses ergebnisorientierte Geschäftsmodell noch besser umsetzen. Hier zahlt der Kunde einen festen Kostensatz für ein Kombinationsangebot, das z.B. die Überwachung und Optimierung von Lagern, Sensoren, Schmierung, Dichtungen oder Rekonditionierung umfassen kann. Anhand der mit SKF Enlight AI gewonnenen Daten als Entscheidungsgrundlage kann der Kunde zusammen mit SKF die Leistung seiner Anlagen steigern.

SKF Enlight AI im Einsatz

Ein großer Zellstoff- und Papierhersteller in Lateinamerika setzte die AutoML-Lösung bei einem Pilotprojekt mit zwei Pumpen im Vorbleichsystem ein. Wegen wiederkehrender Ausfälle bei diesen Komponenten kam es zu Produktionsengpässen, die das Unternehmen in einem Jahr mehrere hunderttausend Dollar kosteten. Aufgrund von Wechselwirkungen zwischen den Pumpen stand bei jedem Ausfall gleich das gesamte Vorbleichsystem still. Der Papierhersteller wollte die Zahl der ungeplanten Stillstände deutlich verringern und die damit verbundenen Kosten senken. Das Unternehmen suchte nach einer bedienerfreundlichen Lösung, die frühzeitig vor Störungen warnt und genaue Prozessdaten der Anlagen ausgibt.

Normalerweise wenden KI-Systeme selbstlernende Algorithmen auf Echtzeit-Sensordaten an, um drohende Anlagenausfälle zu erkennen. Hier lag der Fall jedoch anders: Um die Leistungsfähigkeit der Lösung zu testen, wollte der Kunde damit die Prozessdaten vergangener Ausfälle auswerten. An der einen Pumpe hatten Techniker am 26. Dezember ein Ölleck festgestellt. Es wurde als nicht kritisch eingestuft und eine geplante Abschaltung zur Reparatur für Ende Januar angesetzt. Die zweite Pumpe fiel am 31. Dezember wegen eines Lagerschadens unerwartet aus – zwei Tage nachdem Schwingungsanalysen erste Anzeichen für eine drohende Störung gemeldet hatten. Diese beiden Stillstände kosteten das Unternehmen 400.000 Dollar und störten die Arbeitsabläufe über mehrere Wochen.

Die Datenanalyse mit SKF Enlight AI ergab, dass sich diese Situation durch den Einsatz von zustandsabhängiger Instandhaltung auf ML-Basis hätte entschärfen lassen können. Beide Pumpen zeigten bereits seit Mitte Dezember Anomalien im Anlagenverhalten. Das Instandhaltungsteam hätte die Reparatur der ersten Pumpe früher terminieren und die Probleme an beiden Pumpen bei einem einzigen, geplanten Stillstand beheben können. Damit hätte das Unternehmen 250.000 Dollar gespart.

„Die Auswertung umfasste eine Analyse von Schwingungs- und Prozessdaten. Das Ergebnis war eindeutig: Anhand beider Datenquellen ließen sich mehr Störungen vorhersagen, als dies mit einer einzigen Datenquelle möglich gewesen wäre“, erläutert Eitan Vesely. „Dank des gelungenen Pilotprojekts rüsten wir jetzt drei komplette Werke des Zellstoff- und Papierherstellers mit SKF Enlight AI aus und überwachen damit mehrere hundert verschiedene Systeme.“

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige