Focus Predictive Analytics

Predictive Analytics in der vorausschauenden Instandhaltung

Uhr | Aktualisiert
von Ioana Giurgiu, AI Researcher for Industries and Services, IBM Research, Zürich

Das Wissen um den Zustand von Betriebsanlagen ist der Schlüssel zu einem optimalen Betrieb. Predictive Analytics ­können in diesem Zusammenhang dazu verwendet werden, Betriebsausfälle zu prognostizieren und durch rechtzeitige "vorausschauende Instandhaltung" zu minimieren oder komplett zu verhindern. Es wird ein Just-in-Time-Scheduling der korrektiven Instandhaltung ermöglicht.

Ioana Giurgiu, AI Researcher for Industries and Services, IBM Research, Zürich (Source: zVg)
Ioana Giurgiu, AI Researcher for Industries and Services, IBM Research, Zürich (Source: zVg)

Die vorausschauende Instandhaltung stützt sich auf den tatsächlichen Zustand der Geräte (und nicht auf Statistiken über das erwartete Ende der Lebensdauer), um einen Trend für den Gerätezustand vorherzusagen. Der Zustand der Anlage kann durch eine regelmässige oder kontinuierliche nicht-invasive Überwachung während des normalen Betriebs der Anlage bewertet werden. Dadurch werden Störungen des normalen Betriebs minimiert. Statistische Modelle werden dazu eingesetzt, auch kleinere Anoma­lien und Ausfallmuster zu erkennen und festzustellen, an welchem Punkt in der Zukunft Instandhaltungsmassnahmen erforderlich sein werden.

Wenn bekannt ist, welche Anlagen gewartet werden müssen, können diese Arbeiten besser geplant werden. Ungeplante, kostspielige Stillstände werden durch weniger und kürzere Stillstände ersetzt, und diese können im Voraus eingeplant werden. Dadurch wird die Zuverlässigkeit der Anlagen verbessert, potenzielle Datenverluste werden minimiert und die Wartungskosten reduziert. Darüber hinaus wird die Lebensdauer der Geräte verlängert und das Handling von Ersatzteilen optimiert.

Lösungen der vorausschauenden Instandhaltung können etwa für alle Arten von Geräten angewandt werden – von IT-Komponenten über Geldautomaten, Windkraftanlagen bis hin zu Flugzeugen. So prognostiziert das Verfolgen von Telemetriedaten in Echtzeit die verbleibende Nutzungsdauer eines Flugzeugtriebwerks oder den Ausfall von Elektropumpen zur Förderung in der Öl- und Gasindustrie. Die gleiche Methode kann sogar zur Prognose des Energiebedarfs in Stromnetzen verwendet werden.

Predictive Analytics in der IT-Branche

Ein wichtiger Anwendungsbereich ist die IT-Branche, wo die Kosten für Ausfallzeiten von IT-Geräten insbesondere in Rechenzentren deutlich – auf tausende Dollar pro Minute – gestiegen sind. Selbst mit ausgeklügelten Abwehr- und Redundanzmechanismen besteht aus Sicht der Geschäftslogik nach wie vor ein grosser Bedarf an prädiktiver Wartung. Zu diesem Zweck werden ausgefeilte Lösungen, basierend auf maschinellem Lernen, entwickelt. Sie lernen aus regelmässig von Sensoren gesammelten Daten, um seltene Ereignisse wie Ausfälle oder kritische Leistungseinbussen vorherzusagen. Diese Lösungen werden beispielsweise in der Serverinfrastruktur, für virtuelle Maschinen und sogar für spezifische Komponenten wie Festplatten und Speichermodule eingesetzt.

KI und Predictive Analytics

Die jüngsten Fortschritte in der künstlichen Intelligenz ermöglichen die Verwendung von ausgeklügelten Lösungen, die auf maschinellem Lernen und Deep Learning basieren und komplexe Muster aus Daten lernen können. Ein weiterer wichtiger Faktor in diesem Bereich ist die erhöhte Verfügbarkeit von Daten, die mit immer höherer Geschwindigkeit erhoben werden. Bei der Umsetzung von Prognosen und Empfehlungen an Kunden kann so die Verfügbarkeit deutlich erhöht und die Arbeitskosten sowie das Volumen kritischer Vorfälle gesenkt werden.

Ausserhalb der IT-Branche wird die vorausschauende Instandhaltung auch bei Geldautomaten und Windkraftanlagen angewandt. Durch die Integration von physikalischen und technischen Modellen mit Modellen des maschinellen Lernens in einen Meta-Learning-Ansatz werden genauere Prognosen möglich. Im Bereich der Geldautomaten wird daran gearbeitet, Ausfälle verschiedener Komponenten auf der Grundlage von feinkörnigen Logs, Sensordaten und Wetterbedingungen vorherzu­sagen.

Da Algorithmen der künstlichen Intelligenz komplex und schwer nachzuvollziehen sind, gibt es immer noch Vorbehalte, solche Vorhersagen in den Entscheidungsprozess miteinzubeziehen. Bei der zukünftigen Entwicklung im Bereich der prädiktiven Analytik wird es wohl ein wichtiges Ziel sein, erklärbare und robuste Algorithmen bereitzustellen, die jeder Endbenutzer verstehen und denen er vertrauen kann.

Weitere Focus-Beiträge zu Predictive Analytics:

Lesen Sie hier den Beitrag von Matthias Mohler von Swisscom, in dem er erklärt, wie KMUs Predictive Analytics einsetzen.

Alexander Junge und Philip van Hövell von PwC Schweiz zeigen, wie Predictive Analytics in der Medizin und der Logistik gebraucht werden können.

Im Interview mit Krzysztof Kryszczuk, Leiter der Predictive Analytics Group bei der ZHAW, erfahren Sie mehr über seine Projekte, den Wert von hochqualitativen Daten und die Zukunft von Predictive Analytics.

Webcode
DPF8_130802

Kommentare

« Mehr