Predictive Maintenance Studenten entwickeln System zur präventiven Anomalieerkennung

Studenten des Studiengangs Wirtschaftsinformatik, Management und IT der Hochschule Pforzheim identifizierten typische Datenkonstellationen für Maschinenstörungen und Ausschuss. Die Ergebnisse bilden die Basis für die Entwicklung eines KI-basierten Systems zur präventiven Anomalieerkennung.

Im Rahmen des Praxisprojekts standen Überlegungen zu typischen Störungen und Ausfällen von Industriemaschinen und Maßnahmen zur frühzeitigen Erkennung im Fokus. In Zusammenarbeit mit dem ERP-Spezialisten Asseco Solutions untersuchten die Studenten Datensätze eines Asseco-Kunden aus der Aluminiumdruckguss-Branche und identifizierten typische Datenkonstellationen für Maschinenstörungen und Ausschuss.

Um eine optimale KI-Analyse durchführen zu können ist ein umfassender Datenbestand erforderlich. Werden die Daten allerdings ohne Kontext erfasst, lässt sich selbst das größte Big-Data-Reservoir nicht unmittelbar nutzen. Zu eben dieser Erkenntnis war der Aludruckguss-Spezialist gelangt, der seine Maschinendaten für das Hochschulprojekt zur Verfügung stellte. Schon heute werden dort für jeden einzelnen Aluminiumguss („Schuss“) bis zu 600 Parameter wie Temperatur, Formfüllzeit oder Dicke des Pressrests erfasst. Allerdings war bislang keine Zuordnung der Daten zu konkreten Störungen oder fehlerhaften Schüssen erfolgt. Dies hatte bisher zur Folge, dass der vorhandene Datenpool nicht unmittelbar zur Analyse oder Fehlervermeidung genutzt werden konnte.