Post on 05-Dec-2014
description
Faculty of Computer Science
Neue Ansätze für Predictive Maintenance
Thomas WagnerJakob Krause
2009‐4‐24
GliederungFaculty of Computer Science
1. Einleitung
2. Einführung in die Thematik ‐ Kontextsensitive . ü u g d e e at o te tse s t ePrognosen
3. Anwendungsbeispiel – Filteranlage
4. Fazit
EinleitungFaculty of Computer Science
Abnutzungsprozesse:g p
Maschine Beanspruchungen:
•biologisch
Wirkungen:
•Brüche•Ermüdungbiologisch
•chemisch•physikalisch
•Korrosion•Verformung•Verschleiß•Verschmutzung•Verschmutzung•usw.
F l M hi fällFolgen von Maschinenausfällen:Stillstandzeiten in der Produktion
Überschreitung von Lieferfristen
Entstehung von Kosten
EinleitungFaculty of Computer Science
Predictive Maintenance ‐ Konventionell
Maschine Alterungs-Indikator VorhersageAusfallzeitpunkt
Grenzwert Grenzwert
p
Zeit Zeit
Problem: Alterungsprozesse sind oft verhaltensvariant!
Einführung in Thematik ‐ Kontextsensitive Prognosen
Faculty of Computer SciencePrognosen
Beispiel für Verhaltensvariante AlterungFräsen verschiedener Materialien
Verlauf des Verschleißes bei unterschiedlicher Härte der Werkstück-Materialen
chle
ißVe
rs
HärteHärte(Werkzeug) = Härte(Werkstück)
•Je nach Härtegrad des Werkstücks altert (verschleißt) das Werkzeug •Je nach Härtegrad des Werkstücks altert (verschleißt) das Werkzeug unterschiedlich schnell
Einführung in Thematik ‐ Kontextsensitive Prognosen
Faculty of Computer SciencePrognosen
Das Alterungsverhalten von Maschinen hängt häufig von den Produktionsbedingungen ab (Kontexte) Beispiele für Kontexte:
ProduktionspläneMaterialeigenschaften der Werkstücke Auslastung der Maschine
h f l d d k hReihenfolge der Produktionsschritte …
D Ei b i h d K t t füh t bDas Einbeziehen der Kontexte führt zu besseren Vorhersagen der Maschinenalterung
Einführung in Thematik ‐ Kontextsensitive Prognosen
Faculty of Computer SciencePrognosen
Prinzipielles Vorgehen bei Kontextsensitiven Prognosen:
ERP / MES
Alterungs-Indikator Produktionspläne
Kontext A Kontext B Kontext C
Grenzwert
Kontext A Kontext B Kontext C
Maschine Zeit Zeit
Einführung in Thematik ‐ Kontextsensitive Prognosen
Faculty of Computer SciencePrognosen
Identifizierung von KontextenDurch Experten mit Wissen über das Maschinenverhalten oderdurch 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
Alt
erun
g
A A B BC C
Zeit
Anwendungsbeispiel ‐ FilteranlageFaculty of Computer Science
Anwendungsfall – Luftfilter (Air‐Condition System der Fakultät Informatik)
Alterungsprozess durch: Zusetzen (Verschmutzung) des FiltersUm gleichmäßigen Luftstrom zu gewährleisten muss Leistungsaufnahme des Motors angepasst werden Alterungsindikator Leistungsaufnahme
Verschmutzung
D k L ft tDruck Luftstrom
Leistungsaufnahmeg
Anwendungsbeispiel ‐ FilteranlageFaculty of Computer Science
Analyse der DatenbasisIndikatorwahl LeistungsaufnahmeId ifi i KIdentifizierung von Kontexten
Arbeitszeit
FerienWochenende
Anwendungsbeispiel ‐ FilteranlageFaculty of Computer Science
Modellierung des jeweiligenKontext‐Verhaltens
⎪⎨
⎧=+
== "")()(
"")()( 2
1
FerienKfürxcxcWochenendeKfürxc
xKI
Kontextsensitive Modellgleichung:
⎪⎩
⎨=++=+=
+− "")()(),(
1
32
ArbeitKfüritsFerienKfürxcxcxKI
pkkk
Anwendungsbeispiel ‐ FilteranlageFaculty of Computer Science
Erstellung einer Kontextsensitiven Prognose
A B B B B B B
CC C C C C C C
Kontexte
A: Ferien
CPrognose
B: Wochenende
C: Arbeitszeit
FazitFaculty of Computer Science
Geeignetes Werkzeug zur Modellierung verhaltensvarianter Alterungsindikatoreng
Realitätsnahe Modellierung durch Einbeziehen von Kontext‐gWechseln
Potential zur Verringerung der Instandhaltungskosten
Faculty of Computer Science
Neue Ansätze für Predictive MaintenanceNeue Ansätze für Predictive Maintenance
Vielen Dank!Vielen Dank!
Fragen…?Fragen…?
Thomas WagnerThomas WagnerJakob Krause: jakob.krause@tu‐dresden.de
2009‐4‐24