Öl und Gas, Fertigung
Europa
3
Unser Kunde ist ein mittelgroßer Industriehersteller, der für die Herstellung von Präzisionsprodukten bekannt ist, die einen zuverlässigen, kontinuierlichen Betrieb erfordern. Die Produktion des Unternehmens hängt von seltenen, hochwertigen Pumpen ab, die eine entscheidende Rolle bei der Gewährleistung der Produktqualität und der gleichbleibenden Produktion spielen.
Der bestehende Wartungsprozess litt unter drei kritischen Problemen:
Obwohl die Pumpen mit Sensoren zur Messung von Temperatur, Spannung, Druck und Betriebsstunden ausgestattet waren, fehlten dem Unternehmen strukturierte Daten über frühere Ausfälle, Reparaturen und deren Ursachen. Dies machte die Umsetzung traditioneller Ansätze zur vorausschauenden Wartung schwierig.
Die Pumpen bestanden aus mehreren voneinander abhängigen Teilsystemen – Lager, Motorkomponenten, Isolationssysteme. Ein Ausfall eines beliebigen Teilsystems könnte eine vollständige Abschaltung der Pumpe und einen Produktionsausfall zur Folge haben.
Diese Pumpen sind extrem teuer in der Reparatur und aufgrund der langen Fertigungszeiten schwer zu ersetzen. Schon ein einziger Ausfall während der Produktion kann eine ganze Charge während der Qualitätssicherung gefährden, was zu großen finanziellen Verlusten und betrieblichen Verzögerungen führt.
Der Kunde benötigte eine Lösung, die die vorhandenen IoT-Sensordaten nutzt, trotz begrenzter Wartungsprotokolle zuverlässig arbeitet und Vorhersagen mit hoher Treffsicherheit noch vor den geplanten Wartungszyklen liefert.
Unser Team entwickelte ein KI-gesteuertes System für die vorausschauende Wartung, das verfügbare Sensordaten, fortschrittliche statistische Techniken und eine iterative ML-Modellverfeinerung nutzt. Der Projektumfang umfasste vier Hauptkomponenten:
Wir haben Zeitseriendaten von mehreren Pumpensensoren gesammelt und normalisiert:
Das Team bereinigte, synchronisierte und bereicherte den Datensatz, um fehlende Wartungsaufzeichnungen und inkonsistente Einträge auszugleichen. Zusätzliche abgeleitete Merkmale wurden eingeführt, um Verschleißmuster, Abnutzungsraten und Anomalien von Teilsystemen darzustellen.
Wir analysierten die Sensormessungen, um zu verstehen, wie sich die Pumpen im Laufe der Zeit verhielten und welche Frühwarnzeichen Ausfällen vorausgingen. Das Team identifizierte wichtige Muster und bereinigte Ungereimtheiten.
So konnten wir rohe IoT-Protokolle in einen strukturierten Datensatz umwandeln, der sich trotz unvollständiger historischer Kennzeichnungen für die Erstellung von Vorhersagemodellen eignet.
Wir haben mehrere KI-Ansätze getestet, um denjenigen zu finden, der Pumpenausfälle auf der Grundlage von Sensordaten zuverlässig vorhersagen kann. Nachdem wir verschiedene Modelle verglichen hatten, wählten wir die Methode aus, die die genauesten und stabilsten Ergebnisse lieferte.
Um das Modell unter realen Bedingungen zu validieren, haben wir ein paralleles Entscheidungssystem eingesetzt:
Nach mehreren Wartungszyklen ersetzte das Unternehmen einige Komponenten streng nach den Empfehlungen des Algorithmus. Die anschließende Demontage zeigte, dass diese Teile tatsächlich kurz vor dem Ausfall standen – eine Bestätigung für die Genauigkeit und Zuverlässigkeit des Modells.
Die Lösung für die vorausschauende Wartung brachte erhebliche betriebliche und finanzielle Verbesserungen:
Schicken Sie uns eine Skizze, eine Spezifikation oder drei Sätze dazu, wo Ihr System gerade feststeckt. Ein Gespräch reicht in der Regel, um herauszufinden, ob wir zueinander passen.
Individuelle Software, KI & ML, Daten und Analytics, Cloud und Sicherheit – vom ersten Scoping bis zur langfristigen Umsetzung.
Wir und unsere Partner verwenden Technologien wie Cookies auf unserer Website, um Inhalte und Anzeigen zu personalisieren, Funktionen für soziale Medien bereitzustellen und unseren Datenverkehr zu analysieren. Klicken Sie auf \“Akzeptieren\“, um der Verwendung dieser Technologie im Internet zuzustimmen.
