Predictive Maintenance

Studenten analysieren Sensordaten

jan.wiesemann@cubeserv.com

Anknüpfen an Erfolge aus 2017

Nachdem CubeServ bereits im letzten Jahr bei der Studenten Challenge an der Technischne Universität München (TUM) große Erfolge feiern konnte, ging nun erneut ein Team an den Start.

Zusammen mit dem Praxispartner Infraserv Höchst sollte eindrucksvoll demonstriert werden, was im Bereich Internet of Things, Machine Learning und Big Data möglich ist.

Für die drei Masterstudenten Matthias Bähr, Martin Kirchhoff und Martin Schäffner des Studiengangs Wirtschaftsinformatik galt es zunächst die theoretischen Grundlagen von SAP Leonardo, SAP HANA und Design Thinking zu erarbeiten. Anschließend stand der praktischen Umsetzung nichts mehr im Weg. „Wir waren gespannt zu sehen, welche Möglichkeiten und Mehrwerte die Werkzeuge in der Praxis tatsächlich bieten“, so Kirchhoff.

Stellten sich der TUM Challenge: Matthias Bähr, Martin Kirchhoff und Martin Schäffner (v.l.)

Big Data als Erfolgsfaktor

Als Standortbetreiber des 460 Hektar großen Industriepark Höchst bei Frankfurt mit seinen 90 Unternehmen und 22.000 Beschäftigten zählt für Infraserv Höchst der störungsfreie Betrieb der Anlagen zur Ver- und Entsorgung zu den wichtigsten Aufgaben.

Der Industriepark Höchst bei Frankfurt

Für Ralph Urban – Kompetenzteamleitung SC-IT - Instandhaltung & Immobilien – ist klar, dass eine hohe Verfügbarkeit der Services durch die systematische Auswertung von Sensordaten sichergestellt werden kann. Deshalb freut er sich besonders über die Zusammenarbeit mit den Studenten. „Der Zugang zu akademischem Know-how und frischen Ideen stellt für uns einen wertvollen Input dar.“, erklärt Urban.

1 Lüfter, 23 Sensoren, 1 Million Messwerte

Im Fokus der Analyse: Ein Lüfter der größten Ersatzbrennstoffanlage in Hessen. Anhand der gemessenen Informationen über Temperatur, Druck, Drehzahl und Schwingung sollten unterschiedliche Fragen beantwortet werden. Welche Situationen verursachen Ausfälle? Treten wiederkehrende Muster auf? Können zukünftige Ausfälle vorhergesagt werden?

Zur Beantwortung der Fragen griffen die Studenten auf unterschiedliche Verfahren wie logistische Regression oder neuronale Netzwerke zurück. So konnten Korrelationen identifiziert und Anomalien aufgedeckt werden.

Grafische Darstellung von identifizierten Anomalien in den Messdaten

Gemeinsam zum Ziel

Neben der technischen Datenanalyse war die Abstimmung zwischen den einzelnen Beteiligten besonders wichtig. Für Jan Wiesemann von CubeServ steht fest: „Daten allein haben wenig Aussagekraft. Nur mit dem richtigen fachlichen Bezug können wertvolle Antworten geliefert werden. Data Science ist kein Selbstzweck.“

Aus diesem Grund erfolgte eine regelmäßige Kommunikation. Infraserv Höchst lieferte die Daten und den fachlichen Input während CubeServ als Technologieexperte den Prozess begleitete. Am Ende stand der Prototyp einer SAP UI5 Anwendung zur Visualisierung der Ergebnisse.

SAP UI5 Anwendung zur Visualisierung der Ergebnisse

Positives Fazit

Gemeinsam die Machbarkeit und Potenziale von Predictive Maintenance ausloten – das war Ziel der Kooperation zwischen Industrieunternehmen, IT-Beratung und Universität. Am Ende der mehrwöchigen Zusammenarbeit sind alle Beteiligten dem erfolgreichen Einsatz von Predictive Maintenance einen Schritt nähergekommen.

Schäffner fasst die gewonnen Erkenntnisse zusammen: „Schon die Auswahl der Daten ist ausschlaggebend, um gute Ergebnisse zu erzielen. Außerdem kann die einfachste Lösung bereits die beste sein.“ Er ist aber auch selbstkritisch. „Gute Planung und Abstimmung innerhalb der Gruppe sind entscheidend.“

Projektabschluss in München

Vorfreude auf nächstes Jahr

Nach erfolgreichem Projektabschluss wurde in einem Münchener Biergarten noch einmal über die vergangenen Wochen gesprochen. Wir bedanken uns für das Engagement der Studenten und wünschen schöne Semesterferien.

Außerdem bedanken wir uns bei Infraserv Höchst und der TUM für die erfolgreiche Kooperation und würden uns freuen die Challenge auch im nächsten Jahr wieder mitgestalten zu dürfen.

Möchten auch Sie in Ihrem Unternehmen von Predictive Maintenance profitieren? Wir helfen Ihnen gerne und unterstützen Sie beim Nutzen Ihrer individuellen Potenziale. Sprechen Sie uns an!