header_home_wuerfel_1920px.jpg

Machine Learning und Künstliche Intelligenz in realen Szenarien

Machine Learning und Künstliche Intelligenz stehen bei Digitalisierungsentscheidern ganz oben auf der Agenda. Laut einer Studie von Crisp Research in Kooperation mit The unbelievable Machine Company (*um) und Dell EMC beschäftigt sich bereits die Hälfte der deutschen Unternehmen (50 Prozent) mit diesen Themen. Fast die Hälfte der Entscheider (44 Prozent) erwartet, dass Machine Learning bis 2020 mehr als 20 Prozent der Wertschöpfung der neuen digitalen Produkte und Dienstleistungen ausmachen wird. Dies entspricht allein für die 100 umsatzstärksten Unternehmen in Deutschland rund 61 Milliarden Euro im Jahr 2020. Weiterhin kommt die Umfrage zu dem Ergebnis, dass der Großteil der befragten Unternehmen Machine-Learning-Projekte nicht im Alleingang umsetzt, sondern gemeinsam mit Partnern – insbesondere erfahrenen IT-Dienstleistern (75 Prozent).

Aber wie können Machine Learning und KI uns in unserem Geschäftsleben unterstützen? Wie kann zum Beispiel die vorausschauende Wartung selbst kleinste Instabilitäten in Industrieanlagen erkennen, noch bevor die Anzeichen offensichtlich sind?

Fehlerprognose mit Machine Learning: datengetriebene Modellierung als Schlüssel für Preventive Maintenance

Die Entscheidung, Maschinenteile entweder vorsorglich auszutauschen oder aber Maschinen erst nach einem Schaden zu reparieren, erfordert von Betreibern von Industrieanlagen und Prozessverantwortlichen eine sorgfältige Kosten-Nutzen-Abwägung. Ist genauer vorhersehbar, wann ein Teil ausfällt, könnten Wartung und Instandhaltung im Hinblick auf planbare und kürzere Stillstandszeiten optimiert werden. Doch trotz intensiver Überwachung können Ursachen von Fehlern und sich gegenseitig bedingende Fehler oft nicht eindeutig erkannt werden.

MaintenanceSteps

Die acht Phasen einer vorausschauenden Wartung

Selten auftretende Fehler lassen sich auch nicht über wiederkehrende Muster aufdecken. Ermittelt man jedoch, in welchem Umfang und wie häufig die Messwerte vom typischen Betriebszustand abweichen, lassen sich Indikatoren entwickeln, mit denen Ausfälle verhältnismäßig gut vorherzusehen sind. Innerhalb bekannter Vorhersagetoleranzen lässt sich die Wartungs- und Instandhaltungslogistik entsprechend planen und ungeplante längere Stillstandszeiten können in vielen Fällen vermieden werden.

Den vollständigen Fachartikel von Dr. Olaf Nimz „Fehlerprognose mit Machine Learning: datengetriebene Modellierung als Schlüssel für Preventive Maintenance“ kannst du hier herunterladen.

Fachartikel zum Thema "Fehlerprognose mit Machine Learning "  hier herunterladen!

Diesen und zwei weitere Anwendungsfälle für Machine Learning und KI zeigen wir in unserem Workshop „Machine Learning and Artificial Intelligence in real life scenarios“ am 7. Mai in Wallisellen/ Schweiz. Der Workshop ist kostenlos, die Vorträge werden in englischer Sprache abgehalten.

 

Machine Learning and Artificial Intelligence in real life scenarios Jetzt zum Workshop anmelden!

Weiterführende Informationen

 

Topics: Industrie 4.0 Big Data Analytics