Predictive Maintenance bezeichnet das Bestreben, die Wartung oder Reparatur von Maschinen durch Vorhersagemodelle zu optimieren. Zwei Aspekte können betrachtet werden: Die zeitliche Optimierung und die Kostenoptimierung. Eine Reparatur durchzuführen bevor die Maschine tatsächlich ausfällt, verhindert unerwartete und möglicherweise langwierige Stillstände. Die  Reparatur möglichst kurz vor einem prognostizierten Ausfall durchzuführen, schont Material und Kosten, da Maschinen und Geräte so lange wie möglich benutzt werden. Eine Umsetzung vorausschauender Wartung ist durch moderne Machine-Learning-Modelle und ausgereifte Internet-of-Things-Infrastrukturen möglich.

Das Projekt PAS4PCM wurde von den Kooperationspartner:innen der Rational-Gruppe und der Forschungsgruppe Verteilte Syteme (HSA_dsg) an der Technischen Hochschule Augsburg ermöglicht. Das Projekt wird im Rahmen des Bayerischen Verbundforschungsprogramms(BayVFP) des Freistaates Bayern in der Förderlinie „Digitalisierung“ durchgeführt.

Im Forschungsprojekt soll erarbeitet werden, wie eine Predictive-Maintenance-Lösung für Maschinen im  Umfeld gewerblicher Küchengeräte umgesetzt werden kann. So kann zusammen praxisnah mit den gesammelten Gerätedaten von Rational-Kombi-dämpfern gearbeitet werden. Die Ziele für das Forschungsvorhaben sind unter anderem die Erarbeitung eines Konzepts speziell für Großküchengeräte, die prototypische Implementierung einzelner Anwendungsfälle zur Validierung und die Dokumentation durch wissenschaftliche Veröffentlichungen. Die Rational- Geräte profitieren langfristig von der Forschung, da die Wartung der Geräte durch eine Implementierung von Predictive Maintenance sehr viel effizienter gestaltet werden kann.

Ein Konzept zur Umsetzung der Lösung wurde bereits erstellt. Die  Implementierung des Systems wurde in vier Schritte unterteilt:

• Vorverarbeitung,
• Anomaliedetektion,
• Diagnose und
• Prognose.

Diese Schritte sind an den aktuellen Stand der Forschung zu Predictive Maintenance angelehnt und bieten eine grobe Roadmap, welche Schritte umgesetzt werden sollen.

In der Vorverarbeitung wird eine Gruppierung von Geräten vorgenommen, damit ein KI-Modell nur für Geräte mit gleicher Hardware und ähnlicher Nutzung zuständig ist. Außerdem werden – abhängig vom Anwendungsfall – relevante Sensordaten ausgewählt.

Die Anomaliedetektion verwendet eine Deep-Learning-Architektur, um Abweichungen vom Normalzustand des Geräts zu erkennen. So kann entschieden werden, ob weitere Aktionen für das identifizierte Gerät notwendig sind.

In der Diagnosephase wird, unter  anderem durch die Verwendung von Expert:innenwissen, entschieden in welchem Zustand sich das Gerät befindet. So können Zustände kurz vor einem Ausfall des Geräts sicher als solche erkannt werden.

Abschließend wird eine Prognose des Gerätezustands aufgestellt. Hier wird durch ein geeignetes Modell ein Trend vorhergesagt, dem der Gerätezustand möglicherweise folgen wird.

In diesem Konzept bieten sich zwei Forschungsschwerpunkte an: Transfer Learning und Explainable AI.

Eine hohe Datenqualität und -quantität ist in jedem realen Anwendungsfall  eine Herausforderung für KI-Modelle. Durch Transfer Learning wird versucht, ein bestehendes Ungleichgewicht in den verfügbaren Informationen auszugleichen und das Wissen von einem bereits trainierten KI-Modell auf andere zu übertragen.

Damit ein Predictive-Maintenance-System erfolgreich in der Praxis genutzt werden kann, muss von den zukünftigen Benutzer:innen ein gewisses Vertrauen in das System bestehen. Dieses Vertrauen wird maßgeblich dadurch aufgebaut, dass Entscheidungen eines KI-Modells nachvollziehbar und reproduzierbar sind. Explainable AI beschäftigt sich mit  dieser Problemstellung und schafft auch für Nicht-Expert:innen Vertrauen in das zukünftige Predictive-Maintenance-System.

Im PAS4PCM-Projekt geht es um die Erforschung von Predictive Maintenance bezogen auf reale Anwendungsfälle bei Rational-Großküchengeräten. Dank der Vorarbeit von Rational ist es möglich, auf einer soliden Datenbasis aufzusetzen und damit wissenschaftliche Konzepte in der Praxis zu validieren. Das Konzept bietet viel Raum für interessante Fragestellungen, die nicht nur für dieses Projekt relevant sind.