Herausforderung

Eine Produktionsanlage wird mit Vibrationssensoren und Mikrofonen überwacht. Sobald Vibrationen der Maschinen unregelmäßig werden oder das Betriebsgeräusch sich verändert, ist eine Störung bereits im Gang und ein baldiger Ausfall könnte bevorstehen.

Vorgehen

  • Sensoren zur Erfassung kritischer Parameter wie Temperatur, Vibration oder Feuchtigkeit werden installiert.
  • Die Messwerte werden gesammelt und in Echtzeit per Software auf Anomalien geprüft. So könnte ein ungewöhnliches Vibrationsmuster mit gleichzeitigem Temperaturanstieg auf einen anstehenden Maschinenausfall hinweisen.
  • Das mithilfe von Machine Learning trainierte System schlägt bei auffälligen Datenmustern Alarm – lange bevor die Komponente endgültig ausfällt und größerer Schaden entsteht.

Ergebnis

  • Mit der vorausschauenden Wartung gehören überraschende Wartungsausfälle der Vergangenheit an.
  • Reduzierung von Betriebsausfällen um bis zu 65%.
  • Reduzierung von Wartungskosten um bis zu 25%.

Nutzen

  • Auffällige Datenmuster werden erkannt und reagieren bevor Komponenten ausfallen.

Daten

  • Messwerte
  • Anomalieerkennungsdaten
  • Klassifikationsdaten
  • Trenddaten
  • Historische Daten

Technologien

  • AWS IoT Core
  • AWS Kinesis
  • TensorFlow