Predictive Services

Quick Check

Ausgangssituation

Mit Hilfe von Daten aus kontinuierlichem Monitoring von Werkzeugmaschinen verspricht sich die Firme TRUMPF GmbH.

Co. KG (im Folgenden TRUMPF) Fehlerzustände frühzeitig zu erkennen und so Maschinenausfälle zu vermeiden. Die Früherkennung von Fehlern plant TRUMPF als Predictive Service seinen Kunden anzubieten. Im Quickcheck sollte die Machbarkeit eines Predictive Services für Laserschneidköpfe geprüft werden. Die Leistung dieser kann
z.B. durch Staubpartikel beeinflusst werden, die durch verschiedene Ereignisse ausgelöst werden können.

Lösungsidee

Mit Hilfe von Methoden aus dem Bereich des maschinellen Lernens sollen mögliche Beeinträchtigungen und Fehler des Schneidevorgangs frühzeitig entdeckt werden. Hierfür wurden verschiedene Datenquellen von Trumpf, insbesondere Logfiles und Serviceeinsatzberichte genutzt, welche auch später direkt an der Maschine verfügbar sind.

Abbildung 1: uftreten von unterschiedlichen Ereignissen über die Zeit (blau & grün) bis zum Auftreten eines Fehler (orange) für vier verschiedene Maschinen. Dabei unterschieden sich für jede Maschine sowohl die Häufigkeit der Ereignisse (y-Achse) als auch der Zeitraum (x-Achse), sowie auch die zeitliche Verteilung der Ereignisse wesentlich. Eigene Darstellung des IAO — Abbildung 1: Auftreten von unterschiedlichen Ereignissen über die Zeit (blau & grün) bis zum Auftreten eines Fehler (orange) für vier verschiedene Maschinen. Dabei unterschieden sich für jede Maschine sowohl die Häufigkeit der Ereignisse (y-Achse) als auch der Zeitraum (x-Achse), sowie auch die zeitliche Verteilung der Ereignisse wesentlich. Eigene Darstellung des IAO.

Nutzen

Mit Hilfe des Predictive Services kann ein Ausfall des Laserscheidkopfes der Werkzeugmaschine frühzeitig erkannt werden. Mit einer verlässlichen Vorhersage kann der Service
Kunden z.B. als Monitoring Lösung angeboten werden. Dies verhindert zum einen Stillstände der Maschine. Zum anderen verringert es die Anzahl von Service Einsätze für TRUMPF Techniker.

Umsetzung der KI-Applikation

Trumpf lieferte Daten aus verschiedenen Quellen, die zu einem großen Datensatz zusammengefügt wurden. Anhand von verschiedenen Parametern sollte versucht werden mit Methoden aus dem Bereich des überwachten Lernens die verbleibende Laufzeit bis zur Fehlermeldung vorauszusagen. Bei der dafür benötigten Datenaufbereitung stellte sich jedoch heraus, dass sich die Ereignisse, die vor einem Fehler auftraten, sehr stark unterscheiden (siehe Abbildung 1). Deshalb konnte im Rahmen des Quick Checks, mit den Vorhandenen Daten, die Machbarkeit des Predictive Services für den Anwendungsfall nicht bestätigt werden.