Die Verwendung von prognostischen Methoden in der Instandhaltung, insbesondere bei Maschinen wird genutzt, um die verbleibende Nutzungsdauer vorherzusagen. Dies hat in den vergangenen Jahren mehr Aufmerksamkeit erhalten. Untersucht wird in dieser Arbeit der Workflow einer Predictive Maintenance Anwendung und wie gut die verbleibende Lebenszeit von Maschinen/Maschinenteilen durch solche Prognosen vorhergesagt wird. Prognosen können auf Logdateien oder Sensorwerten basieren, deshalb stehen in dieser Arbeit neben der Datenauswertung auch Methoden der Datensammlung im Vordergrund.
Examplarisch wird der Ablauf einer Predictive Maintenance Applikation am Beispiel von Triebwerksdaten, die in Form von Logdateien vorliegen, durchlaufen. Diese Logdateien werden in das Tool RStudio geladen, das eine genauere Untersuchung und Weiterverarbeitung ermöglicht. Anschließend werden mit der statistischen Software RStudio verschiedene Data-Mining Verfahren auf die vorbereiteten Daten angewendet. Dazu zählen die lineare Regression und die Support-Vektor-Maschine. Diese Verfahren werden jeweils mit verschiedenen Einstellungsparametern getestet und können anschließend
durch bestimmte Kenngrößen wie der mittleren quadratischen Abweichung verglichen werden.
Alle beschriebenen Aufgaben werden in dem standardisierten Prozess - CRoss Industry Standard Process for Data Mining (CRISP-DM) - durchgeführt. Dieser Prozess hilft nicht nur bei Analyseaufgaben, sondern auch bei der Planung des Projekts. Durch gewissenhaftes, sauberes Arbeiten und Verfolgen der Aufgaben der jeweiligen Phasen, kann das Ergebnis ein sauberer Projektablauf sein.
Developing a client-specific workflow for Predictive Maintenance
Ulm University Ulm University![Logo](https://www.uni-ulm.de/_assets/a92153751098915699a1afa17e77f864/Images/logo-uni-ulm.jpg)
MA Abschlussvortrag, Sebastian Grabiec, Ort: O27/545, Datum: 21.09.2017, Zeit: 10:00 Uhr