Produktions- und Verfügbarkeitsoptimierung mit Smart Data Ansätzen

Gemäß dem Datenanalyseprozess „Identifiziere Fragestellung, Visualisiere Daten, Finde Anomalien und Klassifiziere Anomalien, Analysiere Ursachen, Interpretiere, Prognostiziere und Optimiere“ werden aus Wartungsdaten relevante Fehlerfälle, wie Teileverschleiß, und zugehörige Bauteile, wie Werkzeuge, identifiziert. Die einem Werkzeug zuordenbaren Daten lassen sich in vier korrelierte Prozessdaten, eine Betriebsbedingung und eine zyklische Messgröße unterteilen. Mit K-Means und DBSCAN werden charakteristische Cluster identifiziert. Anomalien sind insbesondere beim Anstieg der Prozessdaten zwischen Betriebsphasen zu beobachten. Für die einzelnen Cluster werden Gutmodelle identifiziert, mit denen das normale Betriebsverhalten beschrieben wird. Aufgrund von Analysen des zeitlichen Verlaufes und Sequenzanalysen werden Ursachen für Anomalien bei kleinen Werten von g4 als Anfahrverhalten und bei bestimmten Werten von g0 als Übergangs-verhalten zwischen zwei Betriebsphasen interpretiert. Mit Entscheidungsbaumanalysen können die Cluster als Vorlaufphase, Beginn der Betriebsphase, Nachlaufphase und Hauptbetriebsphase identifiziert werden. Eine weitere Kennzeichnung der Cluster erfolgt durch die zeitliche Zuordnung zu textuellen Kennzeichnungen von Experten. Wiederkehrende Kennzeichnungen werden anhand von Textanalysen erkannt. Fälle, in denen wie im Beispiel keine Feh-lerkennzeichnung erfolgt, werden als gut markiert. Dann wird der Modellfehler genutzt, um potentiellen Wartungsbedarf zu identifizieren. Eine Optimierung mit Hilfe der Modelle ergibt effiziente Bereiche von Eingangs- bei gegebenen Ausgangsgrößen oder effektive Bereiche von Ausgangs- bei gegebenen Eingangsgrößen. Die Analyseplattform MindSphere unterstützt bei der Datenhaltung unterschiedlicher Daten, der flexiblen Bereitstellung von Rechenleistung, dem Deployment auf lokalen Umgebungen und der einheitlichen Darstellung.