1. Faculty of Computer Science
Neue Ansätze für Predictive Maintenance
Thomas Wagner
Jakob Krause
2009‐4‐24

2. Gliederung
Faculty of Computer Science
1. Einleitung
2. Einführung in die Thematik ‐ Kontextsensitive
. ü u g d e e at o te tse s t e
Prognosen
3. Anwendungsbeispiel – Filteranlage
4. Fazit

3. Einleitung
Faculty of Computer Science
Abnutzungsprozesse:
gp
Wirkungen:
Maschine
Beanspruchungen: •Brüche
•Ermüdung
•biologisch
biologisch
•Korrosion
•chemisch
•Verformung
•physikalisch
•Verschleiß
•Verschmutzung
•usw.
Folgen von Maschinenausfällen:
Fl M hi fäll
Stillstandzeiten in der Produktion
Überschreitung von Lieferfristen
Entstehung von Kosten

4. Einleitung
Faculty of Computer Science
Predictive Maintenance ‐ Konventionell
Vorhersage
Maschine Alterungs-Indikator
Ausfallzeitpunkt
p
Grenzwert Grenzwert
Zeit
Zeit
Problem: Alterungsprozesse sind oft verhaltensvariant!

5. Einführung in Thematik ‐ Kontextsensitive
Prognosen
Faculty of Computer Science
Beispiel für Verhaltensvariante Alterung
Fräsen verschiedener Materialien
Verlauf des Verschleißes bei unterschiedlicher
Härte der Werkstück-Materialen
Verschleiß
Härte(Werkzeug) =
Härte
Härte(Werkstück)
•Je nach Härtegrad des Werkstücks altert (verschleißt) das Werkzeug
unterschiedlich schnell

6. Einführung in Thematik ‐ Kontextsensitive
Prognosen
Faculty of Computer Science
Das Alterungsverhalten von Maschinen hängt
häufig von den Produktionsbedingungen ab
(Kontexte)
Beispiele für Kontexte:
Produktionspläne
Materialeigenschaften der Werkstücke
Auslastung der Maschine
Reihenfolge der Produktionsschritte
h fl d dk h
…
Das Einbeziehen der Kontexte führt zu besseren
D Ei b i h d K t t füh t b
Vorhersagen der Maschinenalterung

7. Einführung in Thematik ‐ Kontextsensitive
Prognosen
Faculty of Computer Science
Prinzipielles Vorgehen bei Kontextsensitiven Prognosen:
ERP / MES
Alterungs-Indikator
Produktionspläne
Kontext A Kontext B Kontext C
Grenzwert
Maschine Zeit

8. Einführung in Thematik ‐ Kontextsensitive
Prognosen
Faculty of Computer Science
Identifizierung von Kontexten
Durch Experten mit Wissen über das Maschinenverhalten
oder
durch Analyse von Signaldaten der Maschine:
durch Analyse von Signaldaten der Maschine:
Untersuchungen mit entsprechenden Algorithmen wurden
durchgeführt:
•Segmentierung von Signalen
•Zuordnung von Kontexten
•Spezifizierung des Alterungsverhaltens unter Kontexteinflüssen
Segmente: 1 2 3 4 5 6
Grenzwert
Alterung
A
B A C B C
Zeit

9. Anwendungsbeispiel ‐ Filteranlage
Faculty of Computer Science
Anwendungsfall – Luftfilter (Air‐Condition System der Fakultät
Informatik)
Alterungsprozess durch: Zusetzen (Verschmutzung) des Filters
Um gleichmäßigen Luftstrom zu gewährleisten muss Leistungsaufnahme des
Motors angepasst werden Alterungsindikator Leistungsaufnahme
Verschmutzung
Druck
D k Luftstrom
L ft t
Leistungsaufnahme
g

10. Anwendungsbeispiel ‐ Filteranlage
Faculty of Computer Science
Analyse der Datenbasis
Indikatorwahl Leistungsaufnahme
Identifizierung von Kontexten
Id ifi i K
Arbeitszeit
Wochenen
de
Ferien

11. Anwendungsbeispiel ‐ Filteranlage
Faculty of Computer Science
Modellierung des jeweiligenKontext‐Verhaltens
Kontextsensitive Modellgleichung:
⎧ c1 ( x ) für K =quot;Wochenendequot;
⎪
I ( K , x ) = ⎨c2 ( x ) + c3 ( x ) 2 für K =quot; Ferienquot;
⎪s +t +i
⎩ k k k − p +1 für K =quot; Arbeitquot;

12. Anwendungsbeispiel ‐ Filteranlage
Faculty of Computer Science
Erstellung einer Kontextsensitiven Prognose
C
BCBCBCB
CBCBC
A
C
Prognose
Kontexte
A: Ferien
B: Wochenende
C: Arbeitszeit

13. Fazit
Faculty of Computer Science
Geeignetes Werkzeug zur Modellierung verhaltensvarianter
Alterungsindikatoren
g
Realitätsnahe Modellierung durch Einbeziehen von Kontext‐
g
Wechseln
Potential zur Verringerung der Instandhaltungskosten

14. Faculty of Computer Science
Neue Ansätze für Predictive Maintenance
Neue Ansätze für Predictive Maintenance
Vielen Dank!
Vielen Dank!
Fragen…?
Thomas Wagner
Thomas Wagner
Jakob Krause: jakob.krause@tu‐dresden.de
2009‐4‐24