Predictive Maintenance in der automatisierten Produktion

ADVANCED ANALYTICS

Predictive Maintenance von TIQ Solutions

In der modernen Automobilfertigung werden eine Vielzahl spezialisierter Fügetechniken verwendet. Im vorliegenden Fall werden z.B. Dachhimmel mit der Karosserie verklebt, anstatt sie zu verschweißen oder zu löten. In der Voraussicht, dass Verfahrenssicherheit und Zuverlässigkeit von einer umfassenden Datenerfassung profitieren können, wurden die an Industrierobotern befestigten Klebedüsen mit entsprechenden Sensoren bestückt, die Temperaturen, Drücke und weitere Parameter erfassen.  

Zielsetzung war die Durchführung einer  Analyse, die es erlaubt, in enger Rücksprache mit der Produktionssteuerung, Datenpunkte mit Ausfällen und Reparaturmaßnahmen zu verknüpfen und somit Fehler zu prognostizieren und im Vorfeld zu verhindern. 

Zunächst wurden die Daten im Rahmen einer umfänglichen Datenexploration umfänglich charakterisiert, um bspw. Ausreißer oder Trends zu identifizieren. 

Daneben wurden Korrelationen herausgestellt, um Interdependenzen zwischen den Eingangsgrößen herauszuarbeiten und somit die redundanten Daten auszufiltern. 

Mithilfe einer Hauptkomponenten-Analyse (PCA) wurde der Datensatz auf zwei Hauptkomponenten reduziert. Dies ermöglichte zum einen die Darstellung der Datenpunkte in der Fläche zur besseren Kommunikation und zum anderen die Weiterverarbeitung in klassischen Machine Learning- Verfahren. 

Aus der Analyse der Daten konnte ein charakteristisches Datenmuster identifiziert werden, das dem Ausfall der Komponenten ca. zwei Wochen vorauseilt. 

Im Weiteren werden unterschiedliche Machine Learning- Verfahren evaluiert, um einen drohenden Ausfall der Komponenten vorab zu signalisieren, damit entsprechende Wartungsmaßnahmen eingeleitet werden können. 

PROJEKT INFORMATIONEN

Kunde
Automobilbranche

Anwendungsfall
Vorausschauende Instandhaltung zur Vermeidung von Störungen und Defekten in der Produktion

Technologie
MQTT, Splunk, Python 

Kundenvorteile

  • Vorhersage des spezifischen Fehlerbildes mit 2 zwei Wochen Vorlauf 
  • Nutzung der bestehenden Sensorik 
  • Nachvollziehbarkeit der Warnmeldung