predictive maintenance

In der heutigen Fertigungsindustrie sind Digitale Zwillinge ein entscheidender Schlüssel zur Optimierung von Produktionsprozessen und der effizienten Nutzung von Ressourcen. Das Erstellen Digitaler Zwillinge ist allerdings oft mit hohen oder schwer abschätzbaren Aufwänden verbunden und häufig werden unbekannte Kennwerte wie Materialparameter benötigt, was den Einsatz in der Realität erschwert. Mit RAPIDZ stellen wir ein Werkzeug zur Erstellung und Nutzung Digitaler Zwillinge vor, welches durch seinen modularen Aufbau, diese Barriere durchbricht. Die virtuellen Modelle physischer Systeme ermöglichen dann eine umfassende Analyse und Prognose von Materialflüssen, Energieverbrauch und Maschinenleistung in Echtzeit. Die Nutzung von RAPIDZ steigert die Effizienz von Produktionslinien, verbessert Flexibilität und Reaktionszeit und ermöglicht proaktive Wartungen, sodass Ausfallzeiten minimiert werden.

Der KI-basierte selbstlernende Digitale Zwilling passt sich automatisch an das reale Systemverhalten an und stellt jederzeit ein optimales Abbild eines Produktionsprozesses dar. Ein ausdrucksstarkes, semantisches Gesamtmodell dient als Basis für neuartige Ansätze der künstlichen Intelligenz (KI). Die mittels Methoden der KI gewonnenen Erkenntnisse werden in das Gesamtmodell integriert und so die Interpretierbarkeit und Erklärbarkeit der KI-Modelle verbessert. Methoden aus dem Bereich der eXplainable AI ermöglichen die automatische Beschreibung von KI-Modellen und deren Erkenntnisse sowie den Aufbau selbsterklärender Modelle.

Dieser Beitrag beschreibt eine Herangehensweise für eine Predictive Maintenance-Lösung, bei der die Bauteilabnutzung technischer Systeme mithilfe eines Sensorik-Toolkits erfasst und mittels eines Prognosetools überwacht wird. Die Sensorik als auch das Prognosetool müssen flexibel ausgelegt sein, damit sie zielführend an unterschiedlichen technischen Systemen einsetzbar sind. Die Zustandsbestimmung der Bauteile erfolgt dabei nicht kontinuierlich, sondern basierend auf zeitdiskreten Messungen. Anhand der aufgenommenen Daten wird über ein Prognosemodell die wahrscheinliche Restnutzungsdauer der Bauteile prognostiziert. Für die Erstellung der Prognose dient ein Machine Learning Tool, welches mit historischen Abnutzungsverläufen trainiert wird. Die Trainingsdaten werden durch statistische Versuche erfasst, in denen die Einflussgrößen und charakteristische Verläufe verschiedener Abnutzungsarten identifiziert werden. Als Grundlage für diesen Beitrag dienen Untersuchungen an einem ...