oee.ai’s Künstliche Intelligenz Algorithmen analysieren die Anlagenproduktivität 24×7 und helfen den Mitarbeitern so, die Anlagenproduktivität zu steigern. Aus der Bibliothek der verfügbaren Algorithmen stellen wir in diesem Artikel den KI-Algorithmus “Subsequent Loss Prediction” vor, der die Dauer bis zum nächsten Anlagenstillstand vorhersagt.
Technologische Basis der Funktion ist der Long Short Term Memory (LSTM) Algorithmus, der umgangssprachlich formuliert ein Kurzzeitgedächtnis hat. Dieses Gedächtnis wird dazu genutzt, die Datensituation kurz vor dem Stillstand zu analysieren, um eine Ähnlichkeit mit anderen Situationen aus der Vergangenheit zu identifizieren.
Die Vorhersage-Fragestellung wird für den Algorithmus als Klassifizierungsproblem dargestellt. Wir bilden also Klassen z.B. in 10 Minuten Schritten und erwarten von dem Algorithmus die Antwort, wie hoch die Wahrscheinlichkeit ist, dass, auf Basis seines Wissens aus dem Kurzzeitgedächtnis, die nächste Störung in dem Cluster 0 bis 10 Minuten, 10 bis 20 Minuten usw. vom jetzigen Zeitpunkt aus anfällt.
Zu Trainingszwecken wird dabei auf Vergangenheitsdaten in der Zeitreihendatenbank zurückgegriffen, wobei grundsätzlich gilt, dass mehr Trainingsdaten eine höhere Präzision der Vorhersage erzeugen. Aus Erfahrung können wir sagen, dass mindestens 3 Monate Datenhistorie für ein grundlegendes Training vorliegen müssen.
Das Training erfolgt dabei Anlagen-spezifisch. Genutzt werden dafür sogenannte Grafikprozessoren (GPUs), die in Consumer Produkten z.B. in Gaming-PCs Einsatz finden. GPUs sind auf diese Art von Berechnungen speziell ausgelegt und dadurch so schnell, dass das Modell regelmäßig neu trainiert werden kann. Da im industriellen Umfeld Änderungen an der Tagesordnung sind – neue Produkte, andere Mitarbeiter, etc. – setzen wir bei oee.ai auf ein Neu-Training des Algorithmus einmal pro Woche.
Für das Training werden dem Algorithmus unterschiedliche Parameter, u.a. der aktuelle Störgrund, zur Verfügung gestellt, welche dann über mehrere Ebenen im LSTM-Modell verarbeitet werden.
Schon direkt nach dem Training ist die Treffgenauigkeit des Algorithmus für die jeweilige Anlage bekannt – sie wird von der Trainingsinfrastruktur als Beiprodukt berechnet. Abhängig von der vorhandenen Datengüte und den konfigurierten Algorithmusparametern kann für diese Fragestellung durchaus eine durchschnittliche Vorhersagegenauigkeit von 80+ % erreicht werden.
Aufgrund des großen Einflusses der zugeführten Datenqualität kann eine Prognosegüte leider auch nicht von einem erfahrenen Datenwissenschaftler vor Projektstart vorhergesagt werden. Diese Information ist erst verfügbar, wenn der Algorithmus im Detail konfiguriert und ein Trainingslauf durchgeführt wurde.
Eingesetzt wird diese Art der Prognose beispielsweis für die Einsatzplanung der Instandhaltung. Dies kann dadurch geschehen, dass ein Instandhalter sich schon in Richtung der Anlage begibt, wenn die Prognose < 10 Minuten bis zum nächsten Stillstand ist oder in einer anderen Interpretation, dass der Instandhalter die Anlage nach einer Reparatur verlassen kann, wenn der nächste Stillstand in > 40 Minuten vorhergesagt wird. Die Anzeige der Information erfolgt dann beispielsweise an einem Andon-Board oder dem Tablet zur Störgrundeingabe.
Interessieren Sie sich für diese oder andere Vorhersage-Fragestellungen in der industriellen Fertigung? Sprechen Sie uns gerne an.