Predictive Maintenance Mit Machine Learning gegen Downtime: Festo entwickelt KI-Modelle mithilfe von Weights & Biases

Vorausschauende Wartung bewahrt immer mehr Fertiger vor ungeplanten Anlagenausfällen. Doch das Training der zugrunde liegenden KI-Modelle ist eine Herausforderung. Wie lassen sich Machine-Learning-Modelle automatisiert testen und welche Rolle spielen Sweeps dabei?

Es ist ein typisches Szenario in einer Produktionsumgebung: Alles läuft nach Plan, aber eine kleine Undichte im Pneumatik-System bleibt unbemerkt. Der Geräuschpegel ist hoch, das leise Zischen der entweichenden Druckluft geht in der Umgebung unter. Der Defekt schlägt sich zunächst nur als leicht erhöhter Energieverbrauch nieder. Mit der Zeit verstärkt sich jedoch der Druckverlust, bis ein Zylinder nicht mehr vollständig ausfährt. Die Anlage stoppt unerwartet. Techniker suchen unter hohem Zeitdruck nach der Ursache, doch die Leckage ist schwer zu lokalisieren. Erst nach Stunden ist die Ursache gefunden, aber das passende Ersatzteil muss erst beschafft werden. So vergehen Tage, bis die Anlage wieder läuft – hohe Kosten sind die Folge des Stillstands.

Derartige Ausfälle und ungeplante Downtime lassen sich vermeiden. Fertiger setzen heute zunehmend auf Predictive-Maintenance-Systeme, die Störungen erkennen bevor sie auftreten. Dafür erfassen Sensoren in kurzen Abständen Größen wie Vibrationen oder Geräuschmuster. Anhand dieser Daten schätzen KI-Systeme die Restlebensdauer von Komponenten ein und melden sich ankündigende Ausfälle frühzeitig.