JR-Center for Zeitreihenbasierte Fehlervorhersage und -vermeidung

Ausfälle von Maschinen in industriellen Prozessketten können schwerwiegende finanzielle Auswirkungen nach sich ziehen. Wartungsarbeiten zum optimalen Zeitpunkt sowie das Erkennen und die Vorhersage von kritischen Produktionssettings können dazu beitragen, solche Ausfälle zu verhindern. Dieses JR-Zentrum will ein umfassendes Modell für industrielle Prozesse, die auf Zeitreihendaten basieren, entwerfen und damit den Eintritt von Fehlfunktionen und Ausfällen zeitgerecht voraussagen und diese mit Gegenmaßnahmen verhindern.

Die Frage, wie oft und wann in der Industrie genutzte Maschinen gewartet werden sollen, zeigt ein grundsätzliches Dilemma auf: Wird die Wartung in zu geringen Intervallen durchgeführt, sodass die Geräte sie noch überhaupt nicht benötigen, führt dies zu unnötigen Zeiteinbußen und zusätzlichen Kosten. Andererseits steigt jedoch – etwa durch Abnützung – die Wahrscheinlichkeit für Fehlfunktionen umso mehr, je länger auf eine Funktionsüberprüfung der prozessrelevanten Maschinen verzichtet wird. Zusätzlich kann aber auch eine ungünstige Kombination aus Maschinenzustand und Setting der Produktionsparameter kritisch werden. Im schlimmsten Fall droht ein kompletter Ausfall der ganzen Prozesskette, dessen Behebung sehr zeit- und kostenintensiv ausfällt.

Zur Entschärfung dieses Dilemmas erarbeitet das Team dieses Josef Ressel Zentrums Methoden und Modelle, die auf Basis von sogenannten Zeitreihendaten – zeitlich aufeinander folgende Messwerte von Sensoren zum Zustand der verschiedenen Maschinenkomponenten – in Zukunft auftretende Fehler vorhersagen sollen. Der Eintritt dieser Fehler kann dann zum Beispiel durch rechtzeitige Wartung verhindert werden („Predictive Maintenance“). Damit werden zwei Gefahren verhindert: Ausfall der Produktion aufgrund technischer Probleme und unbemerkt fehlerhafte Produkte wegen schadhafter Produktionsgeräte.

Eine besondere Herausforderung dieses Projekts besteht darin, dass die aus Sensoren gewonnenen Daten zu den Zuständen der Maschinen häufig „unlabeled“ („nicht beschriftet“) sind: Das bedeutet, dass die in der Vergangenheit gemessenen Zeitreihendaten nicht mit vergangenen Ausfällen und deren zugrundeliegenden technischen Ursachen verknüpft sind. Für maximalen Erkenntnisgewinn wurde daher ein dreiphasiger Forschungsplan entworfen: In Phase 1 soll mittels Machine Learning eine Verbindung zwischen den Daten und den technischen Ursachen hergestellt werden. In Phase 2 werden Modelle zur Fehlervorhersage entwickelt und in Phase 3 gilt es, auf Basis von Künstlicher Intelligenz und klassischer Statistik interpretierbare Erklärungen für die Ergebnisse von Phase 2 zu erhalten. Die Phasen laufen aber keinesfalls linear hintereinander ab, sondern sind aufgrund ihrer Abhängigkeiten voneinander zyklisch miteinander verwoben, was Effizienz und Erkenntnisgewinn massiv steigert.

Die Forschung des Teams des JR-Zentrums wird die Basis für weniger Ausfälle, Fehler und Kosten sowie für mehr Sicherheit, Effizienz und Zeitersparnis in industriellen Prozessketten schaffen.