Kap. 3 Pred. Maintenance

Bsp. für zustandsbasierte Wartung

• Kaplan-Meier-Daten enthalten Informationen über die Lebensdauer und den versagenszeitpunkt eines Geräts —> ermöglichen die Schätzung der Ausfallwahrscheinlichkeit im Laufe der Zeit

• Run-to-Failure-Daten enthalten Daten über das Verhalten während des Betriebs und vor sowie beim Versagen —> ermöglichen die Schätzung der Restnutzungszeit in Abhängigkeit von Component Health Index

• steigt die Häufigkeit geplanter Stillstände

• wird Lebensdauer d. Komponenten nicht optimal genutzt

• steigen die Gesamtkosten

es sind Messungen erforderlich

Golden Sample

RUL (Remaining Useful Life)

• erlaubt Schätzung der RUL

• muss in monotonem (!) Zusammenhang mit RUL stehen

Lebensdauern einer großen Anzahl v. Komponenten

• Maximalwert / Minimalwert für CHI

• eine Modellfunktion

• (evtl. historische Daten)

Antwort:

• Datenbasiert: Nutzt historische Messdaten, um mithilfe von Algorithmen (z. B. Regression, maschinelles Lernen) Modelle zu erstellen.

• Physikbasiert: Verwendet physikalische Modelle, die auf einem genauen Verständnis der Fehlermodi basieren.

• Hybride Ansätze: Kombinieren beide Methoden, indem physikalische Modelle mit datenbasierten Parametern angereichert werden.

Antwort: Der CHI beschreibt den Gesundheitszustand einer Komponente und kann anhand von Messdaten oder Kombinationen verschiedener Parameter berechnet werden. Er dient als Basis für die Schätzung der Restnutzungsdauer (RUL).

Antwort:

• Eine Anomalie ist oft nicht anhand eines einzelnen Messwerts erkennbar.

• Der normale Bereich eines Messwerts kann vom Betriebszustand oder den Umgebungsbedingungen abhängen.

• Zeitliche Abhängigkeiten und Trends können die Identifikation erschweren.

Antwort:

• Vermeidung ungeplanter Stillstände

• Reduktion von Wartungskosten durch optimierte Planung

• Verlängerung der Lebensdauer von Komponenten

• Verbesserung der Betriebssicherheit

Antwort:

• Verfügbarkeit und Qualität der Daten (ETL-Pipelines notwendig).

• Ungleichgewicht in den Daten: Wenige Fehlerdaten gegenüber vielen Daten funktionierender Anlagen (Class Imbalance).

• Unterschiedliche Bauarten und Instrumentierungen von Anlagen, die die Vergleichbarkeit erschweren.

• Erhöhung und optimale Nutzung der lebensdauer von Maschinen

• Betriebssicherhiet sicherstellen

• Verfügbarkeit erhöhen / Stillstände reduzieren

• Corrective / Reactive Maintenance

• Planned Maintenance

  • Preventive Maintenance (Wartung alle x Betriebsstunden)

  • Condition Based Maintenance (Wartung, wenn Anomalien auftreten)

  • Predictive Maintenance (Vorhersage des optimalen Wartungszeitpunktes)

• wenn die Maschine ein elementarer Bestandteil der Produktion ist und Stillstandszeiten sehr teuer sind (teurer als regelmäßige Wartung)

• wenn Abnutzung / verschleiß sehr berechenbar sind (z.B: Ölwechsel beim Auto)

• 
  

• es müssen genug Vergangenheits-Daten von allen möglichen Szenarien vorleigen (Nutzungsdaten, Run-to-Failure-Daten) etc.

• die Maschinen müssen mit Sensoren ausgestattet werden, die in Echtzeit Daten über ihre Auslastung bzw. ihren Zustand übermitteln

• sie gehört zur Vorausbestimmten Wartung

• sie zeigt einen Survival Data Plot = Überlebenswahrscheinlichkeit in Abh. von der Zeit

• Kaplan Meier Kurve: gibt keine Aussage für spezifische Instanz des Assets, sonderm zeigt nur eine statistische Verteilung auf Basis von Vergangenheitsdaten dieses Typs

• RUL-Schätzung: gibt Schätzung über die verbleibende Laufzeit eiens indiv. Assets (Instanz) in Abhängigkeit von Zustandsdaten

Vorteil: Keine unnötigen Wartungen

Nachteil: Bei Anomalien ist die Vorlaufsehrzeit oft sehr kurz, sodass Wartungen schlecht / nicht geplant werden können.

• Schwellwerte

• Trend-Erkennung

• Vergelich mit “Golden Sample”

• unüberwachtes ML

• 
  

• Schätzung auf Basis einer Größe, die den Gesundheitszustand einer/mehrerer Komponeten beschreibt (=Component Health Index)

• wird meist mit Konfidenzintervall angegeben

• nur sinnvoll bei Ausfällen, die sich vorher in den Daten erkennen lassen

• Schätzung mithilfe von physik-, datenbasierten oder hybriden Verfahren

• Datenbasiert: anhand von vergangenheitsdaten wird ein mathematisches Modell erzeugt (Regression / überwachtes ML)

• Physikbasiert: durch physikalische Zusammenhänge und Kenntnis der fehlerszenarien wird die RUL geschätzt)

• Hybrid: Modellfunktion wird mit physik. Wissen aufgestellt und modellparameter werden mit Regression und Historeindaten ermittelt

weil bei RUL-Schätzung schon vor Ausfall daten erhoben werden, die in die Schätzung miteinbezogen werden, wohingegen bei Kapln-Meier nur Daten über Versagenszeitpunkt und Lebensdauer vorliegen)

• Verfügbarkeit von Daten

• Klassifikation / Labelling von Daten

• Class Imbalance (es liegen meist viele Daten von funktionierenden Maschinen vor, aber wenige von Ausfällen)

• Heterogene Anlagen / Maschinen ( Daten von versch. maschinen können nicht gut genug für ein und das gleiche Modell abstrahiert werden)

• nur sinnvoll bei Ausfällen, die sich vorher in den Daten erkennen lassen (z.B. Abnutzung von Material, Teilentladungen von el. Bauteilen, Korrosion)