Predictive Maintenance durch interpretierbare Anomalieerkennung

Laut VDMA sind die technischen Voraussetzungen für Predictive Maintenance (PdM) gegeben, jedoch liegen die Herausforderungen in der Mustererkennung und auf den Betriebsdaten. Das BMWi zeigt zudem auf, dass die Robustheit und Interoperabilität der KI-Verfahren im Fokus von KI-Anwendern und -Anbietern steht.
Der hier vorgestellte Ansatz “Condition Monitoring von Windturbinen” erfüllt die Punkte zur Mustererkennung, den Betriebsdaten und der Robustheit. Er ist übertragbar auf andere Prozesse und stellt einen Schritt hin zu einer skalierbaren und kosteneffizienten PdM-Lösung dar. Kernpunkte sind Zustandsentdeckung ohne Labels, Wenn-Dann-Regeln zur Zustandsklassifikation, Anomaliedetektion und Dashboards für Ergebnisse. Das Ganze natürlich OSS-basiert.

Vorkenntnisse

- Es sollten grundlegende Kenntnisse in Statistik (Normalverteilung, Mittelwert, Varianz, Korrelation) vorhanden sein

Lernziele

- Analysepotenzial für Zeitreihen im IoT-Bereich kennenlernen
- Die Erkenntnis, dass die Implementierungen von PdM-Lösungen kosteneffizient möglich sind

 

Speaker

 

Niklas Haas
Niklas Haas ist leidenschaftlicher Data Scientist, der mithilfe von Machine Learning große Datenmengen analysiert, Muster erkennt und Einsichten generiert. Er gibt sich dabei nicht mit dem PoC zufrieden, sondern möchte das Machine-Learning-Produkt auch unbedingt ausliefern. Als studierter Karlsruher Wirtschaftsingenieur behält er bei seinen Entscheidungen zudem stets den Business Value im Hinterkopf.

Gold-Sponsor

codecentric

building-IoT-Konferenz-Newsletter

Sie möchten über die building IoT
auf dem Laufenden gehalten werden?

 

Anmelden