Machine Learning & Predictive Maintenance

Geplante Wartungsereignisse binden Kapazitäten und verschwenden die wertvolle Lebenszeit von Komponenten. Offensichtlich wird dies für jeden, der seinen Keilriemen nach einem festgelegten Intervall wechseln lassen muss. In Anbetracht des potentiellen Schadens eine nachvollziehbare Maßnahme. Wenn aber der individuelle Zustand der Komponente bekannt wäre, könnte man dann nicht auch höhere Fahrleistungen erreichen?

Ungeplante Wartungsereignisse sind oft die Ursache von Verzögerungen, erzeugen potentiell hohe Kosten und sind im schlimmsten Fall direkt für den Kunden wahrnehmbar. Als Beispiel sei die sich nicht mehr schließende Tür im Reisebus oder Zug genannt. Konservative Wartungsstrategien schaffen hier selten Abhilfe.

Erhöhte Konnektivität und die Verfügbarkeit von immer mehr Sensorik ermöglichen es, den Zustand einzelner Komponenten festzustellen und diese Information auch in Nahezu Echtzeit verfügbar zu machen. Eine Grundvoraussetzung, um entsprechend reagieren zu können. Mit der Hilfe von Computer-Modellen können aus diesen Daten Vorhersagen abgeleitet werden, wann es zum Versagensfall kommt. Aus Condition Monitoring wird Predictive Maintenance.

Wir bedienen das gesamte Spektrum an notwendigen Fähigkeiten für die Einführung von Predictive Maintenance. In den Bereichen Sensorik, Konnektivität, Daten und Algorithmen weisen wir mehrjährige Erfahrung auf. Dabei sprechen wir alle die Sprache der Ingenieure und können mit Ihnen gemeinsam schnell zum Kern des Problems vordringen. Wenn Sie an einer Verbesserung Ihrer Wartung interessiert sind, unterstützen wir Sie gerne in allen Stufen des Prozesses. Angefangen beim Finden und Priorisieren von Anwendungsfällen über die Erfassung und Auswertung von Daten bis hin zur Anwendung im Betrieb.

Vorausschauende Wartung (Predictive Maintenance)

Ihr Ansprechpartner:

Prof. Dr.-Ing. Daniel Böhnke

Prof. Dr.-Ing. Daniel Böhnke

Fachgruppenleiter Ingenieur-Informatik

Tel.: +49 (0)431 210 2823

E-Mail: daniel.boehnke@fh-kiel.de