Machine Learning in der Smart Product Platform: Ein Predictive Maintenance Showcase macht Zukunftsthemen praktisch erlebbar

Predictive Maintenance, die innovative Methode zur vorausschauenden Wartung von Maschinen und Anlagen, revolutioniert gerade die Industrie. Mithilfe von Maschinendaten und (Retrofit-)Sensoren aus dem Bereich des Internet of Things (IoT) verspricht diese fortschrittliche Technologie, den Wartungsaufwand zu reduzieren, ungeplante Ausfallzeiten drastisch zu minimieren und die Effizienz Ihrer Anlagen zu steigern. Predictive Maintenance basiert auf der Analyse von Echtzeitdaten (Zeitreihendaten), die von IoT-Sensoren und anderen Quellen gesammelt werden. Mithilfe von fortschrittlichen Algorithmen werden diese Daten verarbeitet, um potenzielle Probleme oder Verschleißerscheinungen in Maschinen frühzeitig zu erkennen. Dadurch müssen Wartungsarbeiten nicht mehr nach einem starren Zeitplan durchgeführt werden, sondern dann, wenn sie tatsächlich relevant sind.

In diesem Kontext wird oft davon gesprochen, Anomalien in Zeitreihen zu erkennen. Tatsächlich stellt sich aber die Frage: Was bedeutet das eigentlich – und wie funktioniert das? In diesem Blog-Beitrag werden Ansätze beschrieben, um Zeitreihendaten zu analysieren und Anomalien zu erkennen. Außerdem erfahrt ihr, wie die Algorithmen in einer Smart Product Platform, der com2m-IoT-Plattform, erfolgreich integriert werden.

Eine Einführung in die Zeitreihenanalyse und Anomalieerkennung

Vereinfacht gesagt, ist eine Anomalie in einer Zeitreihe ein Datenpunkt oder Muster, der oder das sich von den normal zu erwartenden Daten unterscheidet. Die Anomalieerkennung befasst sich mit der Aufgabe, diese Unregelmäßigkeiten aufzudecken. Doch in der Praxis ist diese Aufgabe nicht so einfach zu erfüllen, denn es können verschiedene Anomaliearten auftreten, die wir im Folgenden kurz vorstellen.

Anomalien in Zeitreihen können in verschiedenen Formen vorkommen. Ein tieferes Verständnis dieser Kategorien hilft dabei, die Ergebnisse der Anomalieerkennung besser analysieren zu können. Zum einen können individuelle Ausreißer als Anomalien auftreten, zum anderen hat man es auch mit ganzen Mustern zu tun, die als Anomalien erkannt werden können. Innerhalb dieses Spektrums kann man einzelne Anomalien in zwei Hauptkategorien aufteilen: globale und kontextuelle Anomalien.

Globale Anomalien sind Datenpunkte, die sich signifikant von allen anderen Datenpunkten der Zeitreihe unterscheiden. Im Gegensatz dazu sind kontextuelle Anomalien solche, die lokal von einem bestimmten Muster abweichen.

Darüber hinaus gibt es kollektive Anomalien. Hierbei handelt es sich um eine Gruppierung von Datenpunkten, die eine Abweichung über einen bestimmten Zeitraum darstellen.

Die verschiedenen Arten von Anomalien sind in der ersten Abbildung dargestellt. Ein roter Punkt stellt eine einzelne Anomalie dar und ein roter Bereich ein Zeitfenster als Anomalie.

Wie bereits erwähnt, können auch abweichende Muster als Anomalien klassifiziert werden. Diese werden nach Form, Saisonalität und Trend unterschieden. Formanomalien treten auf, wenn Teilsequenzen der Zeitreihe eine andere grundlegende Form aufweisen als der normale Verlauf. Ein Beispiel hierfür wäre ein Sinussignal, das plötzlich in eine Rechteckfunktion übergeht. Bei saisonalen Anomalien ändert sich die Saisonalität für eine bestimmte Teilsequenz der Zeitreihe – beispielsweise könnte ein Sinussignal für kurze Zeit eine höhere Frequenz aufweisen. Schließlich gibt es noch die Trendanomalien, bei denen Form und Saison der Zeitreihe gleichbleiben, jedoch verschiebt sich der Zeitreihen-Offset in einer Teilsequenz oder die Steigung verändert sich. Dies führt zu einer Abweichung im Mittelwert der Daten. Form-, saisonale und Trendanomalien sind in der zweiten Abbildung dargestellt, wobei hier ebenfalls ein roter Bereich ein Zeitfenster repräsentiert, das anomal ist.

Da in Kundenprojekten immer wieder die verschiedenen Anomaliearten auftreten, soll die Erkennung von Anomalien für Benutzerinnen und Benutzer auf technisch einfache Art zugänglich gemacht werden. Deshalb wurde eine Integration samt grafischer Oberfläche in unsere IoT-Plattform umgesetzt.

Integration in die com2m-IoT-Plattform

Allgemein stellt die com2m-IoT-Plattform, die auch als Smart Product Platform verwendet wird, eine umfangreiche Palette von Services bereit, um maßgeschneiderte IoT-Lösungen für vielfältige Anwendungsfälle effizient zu realisieren. Die Plattform kann sowohl als Software-as-a-Service (SaaS) als auch als On-Premise-Lösung genutzt werden. Häufig wird die Plattform dazu verwendet, Assets wie Maschinen, Sensoren oder Fahrzeuge zu verwalten und die erzeugten Daten in der Cloud zu speichern, und bietet Mehrwertdienste wie Condition Monitoring für zum Beispiel den Service.

Die Integration der Anomalieerkennung erfolgte als eigener Microservice, der Machine-Learning-Funktionen bereitstellt. Somit lässt sich dieses Modul bei Wunsch einfach in Kundenanwendungen integrieren. Für die einfache Bedienung des Services wird eine generische WebUI zur Verfügung gestellt. In dieser WebUI hat die Benutzerin oder der Benutzer die Möglichkeit, für jedes Asset ein eigenes Machine-Learning-Model zu trainieren. Nach einem abgeschlossenen Training kann das Modell zum Monitoring eingehender Daten aktiviert werden. Alle Informationen zu einem erstellten Modell können über ein separates Dashboard überwacht werden.

Solltet ihr Interesse an der IoT-Plattform und den Möglichkeiten zum Einsatz von Machine Learning haben, dann nehmt doch gern unverbindlich Kontakt auf.

Jetzt Kontakt aufnehmen