PREDICTIVE MAINTENANCE

predicitve-maintenance

Algorithmen für Vorausschauende Wartung (Predictive Maintenance, PdM) sagen Maschinen- bzw. Anlagenausfälle mit hoher Zuverlässigkeit voraus und geben an, welche Komponente(n) den Ausfall verursachen werden. Das Maintenance-Management besteht in die Durchführung von Wartungen bevor die Ausfälle eintreten und das Mitnehmen der benötigten Ersatzkomponenten für die Einzelwartungen.

Vorteile von Predictive Maintenance sind:

  • Höhere Verfügbarkeiten, geringere Ausfallzahlen, weniger Wartungen insgesamt und kürzere Wartungszeiten
  • Reduzierung der Kosten für Ersatzteillagerung und -lieferungen
  • Effektivere Wartungspläne
  • Längere Lebenszeiten von Maschinen und Anlagen
  • Erhöhte Sicherheit beim Umgang mit Maschinen und Anlagen – weniger Unfälle

Im Fall eines Maschinen- oder Anlagenherstellers bewirken diese Vorteile:

  • Wartungs- und Gewährleistungskosten nehmen ab
  • Wertversprechen wird noch überzeugender.

In einer typischen Predictive-Maintenance-Implementierung werden über die KI-Software hinaus folgende Elemente verwendet:

  • Sensoren, die Messungen an Maschinen durchführen und digitalisieren
  • Steuersysteme und Aktoren, die Anweisungen der KI-Anwendung zu den Maschinen geben
  • Das IIoT (Industrial IoT), das Sensoren, Steuersysteme, Aktoren und andere Systeme, wie Gateways, Edge Servern und Datencentern vernetzt. IIoT verwendet i.d.R.drahtlose Technologien, wie WLAN, Bluetooth und Narrow-Band IoT (NB-IoT).

Predictive-Maintenance-Projekte von unicoKI charakterisieren sich durch besonders hohe ROIs und kurze Amortisierungszeiten.

Beispiele für den Einsatz von Predictive Maintenance sind

  • Aufzüge und industrielle Drucker
  • Windenergieanlagen und Fertigungstrassen
  • Autos.

Energieverbrauchsminimierung bei Kühlung von Gebäuden

energieverbrauchsminimierung

UnicoKI arbeitet an Lösungen, die den Verbrauch von Primärenergien für die Kühlung von Gebäuden reduzieren. Wir orientieren uns an den Lösungen von DeepMind, die bei Datencentern von Google zu einer Reduktion des Energieverbrauches bis zu 40% geführt haben.

Training

Unter Verwendung von Einstell- und Messwerten (I s (Sensormesswerte), I e (Einstellmesswerte) und E z (Ist-Energieverbrauch) im Bild „Training“) wird ein Modell, ein „Digital Twin“ des Gebäudes, entwickelt. Das Modell wird solange trainiert, bis der nachgebildete Energiewert „E “ den wahren Referenzwert „E z“ gut genug nachbildet. I s und I e bestehen jeweils aus mehreren Einzelwerten, z.B. Druck und Temperatur an verschiedenen Stellen im Gebäude.

​Inferenz (Betrieb)

Das Digital Twin verarbeitet Daten in einem Zeitraster mit der Periode „T“. In jeder Periode verarbeitet das Twin die wahren Sensorwerte I s kombiniert mit M, zunächst willkürlichen, Werte der Einstellparameter I e,1, I e,2, … I e,M. Für jeden Wert I e,m der Einstellparameter bestimmt das Twin eine Prädiktion für den entsprechenden Energieverbrauch: E m. Insgesamt werden M Energieprädiktionen bestimmt: E 1, E 2, …. E M.

Energiemanagementregel 1: Als (wahrer) Einstellparameterwert für die nächste Periode I e (T + 1) wird denjenigen gewählt, für den das Twin den geringsten Energiewert ermittelte:

          I e (T + 1) = I e,n  wenn E n < E m für alle m.

Energiemanagementregel 2: Die Werte der Einstellparameter I e,1, I e,2, … I e,M werden nicht willkürlich gewählt, sondern so, dass sie gute Kandidaten sind, die verbrauchte Energie in der nächsten Periode E z (T + 1) zu minimieren.

Bemerkung: Die Berechnung der Prädiktionen E m kann nacheinander auf derselben Hardware oder parallel, auf mehreren Rechnern/Prozessoren, erfolgen.

​Bemerkung zu Datenumfang

Bei Deep Learning werden viele Daten benötigt. Liegt die benötigte Datenmenge für eine Maschine (PdM) oder ein Gebäude (Energieverbrauchsminimierung) vor, so ist es grundsätzlich möglich:

  • Daten von ähnlichen Maschinen oder Gebäuden zu aggregieren
  • Die Daten mit einer geeigneten Simulation zu generieren.