Predictive Maintenance nach Niels Bohr:

Vorhersagen sind schwierig. Besonders über die Zukunft.

In diesem Projekt haben wir die Steuerungssoftware eines Transportsystems für Blutanalysen entwickelt und implementiert. Die Blutproben werden dabei auf einer Art Carrera-Bahn von kleinen elektrischen Fahrzeugen (Cars) zu den Analyse-Automaten transportiert. Pro Tag werden 20.000 Blutproben von 1.000 Cars befördert. Dabei senden Cars und Fahrbahnen täglich mehr als 5 Millionen Status- und Positions-Reports, woraus 2 GB an Logfiles resultieren, die verarbeitet und in sinnvolle, verwertbare Informationen verwandelt werden müssen.

Die Akkus der Cars werden an Ladestationen über einen mechanischen Kontakt geladen. Die Qualität dieses Kontaktes kann durch äußere Einflüsse reduziert werden.

Mithilfe der Informationen aus den Logfiles konnten wir ein Modell trainieren, das es uns ermöglicht, die Zeitpunkte für Wartungsarbeiten an den Ladestationen zu optimieren. Das System verbindet eine Vielzahl an Big-Data-Technologien, aber darüber später mehr.

In Anbetracht der Datenmengen haben wir auf Technologien wie Hadoop, Spark, Python und R für die Verarbeitung, Analyse und Visualisierung gesetzt. Um dynamisch skalieren zu können haben wir die Analysen auf einem Cluster in der Amazon AWS Cloud durchgeführt.

Durch das Vorhersagemodell werden auffällige Zustände erkannt und Ausfälle reduziert und dadurch die Gesamtperformance des Systems auf ein Niveau gehoben, das ohne ein intelligentes System undenkbar ist.

Wie überträgt Steadforce dieses Verfahren auf andere Projekte?

Das zugrundeliegende Vorgehen kann leicht auf verschiedenste industrielle Anwendungsbereiche übertragen werden. Die Kernkompetenz unseres Advanced Analytics Teams ist es, unseren Kunden einen Full Service anzubieten: Angefangen bei den Rohdaten, über die komplette Datenanalyse bis hin zum produktiven Softwaresystem.