Die Zukunft vorhersagen mit Predictive Analytics

Zur Vorhersage des Verschleißgrades der Maschine nutzen wir Predictive Analytics Tools. Das erstellte Vorhersagemodell gleicht die neuen Daten mit den bereits vorhandenen Daten ab, analysiert diese und trifft anhand der Erfahrungswerte eine Vorhersage. In unserem Fall generierten wir somit ein Modell, welches anhand gemessener Kraftwerte mit sehr hoher Genauigkeit vorhersagt, ob eine Maschine bei einem Durchlauf verschlissen ist oder nicht.

Um ein gutes, aussagekräftiges Modell zu erhalten muss dieses an Testdaten trainiert werden. In unserem Projekt erstellte der Kunde mehrere Testreihen, in denen der Zustand der Maschine durch geschulte Mitarbeiter bewertet wurde. Das spätere Predictive Analytics-Modell wurde anhand der so gewonnenen Daten und Vorhersagen der Mitarbeiter generiert, sodass die Wahrscheinlichkeit, richtig vorherzusagen, so hoch wie möglich ist.

Beim Einsatz in der Produktion galt es darüber hinaus noch die Hürde der Infrastruktur zu nehmen. Das auf IBM SPSS Modeler basierende Modell wird auf einer direkt an der Maschine angebrachten speziellen Hardwarekomponente deployed. Um eine reibungslose Kommunikation zwischen den Messsensoren, dem SPSS Modeler Server und der Maschine zu gewährleisten, müssen mehrere Software Container miteinander verknüpft werden.

Hierbei haben wir besonderes Augenmerk auf die Performance gelegt, da bei einer Produktionstaktung im Sekundenbereich die Antwortzeit des Vorhersageprozesses – vom Messen der Daten über die Vorhersage des SPSS Modells bis zum Senden der Nachricht an die Maschine, ob eine Wartung nötig ist – ebenfalls im Sekundenbereich liegen muss.

Für zukünftige Vorhersagemodelle werden die Messdaten zusätzlich in einer Datenbank gespeichert. Die so in der Produktion erhobenen Daten und der Vergleich der Ergebnisse mit den Beobachtungen geschulter Mitarbeiter über den Verschleißgrad können dann dazu genutzt werden, das Modell weiter zu trainieren und dessen Robustheit und Genauigkeit weiter zu erhöhen.