We get a kick out of solving your problems

Predictive Maintenance

Unsere Welt wird zunehmend durch komplexe technische Systeme geprägt. Solche Systeme weisen immer ein inhärentes Ausfallrisiko auf, das zum Beispiel durch Verschleiß und Nutzungsschäden begründet ist. Dies betrifft sowohl private Anwenderinnen und Anwender (z. B. Heizung, Haushaltsgeräte) als auch die Industrie (z. B. Maschinen oder Steuerelektronik).

Um Ausfallzeiten zu verringern, Fehler bestimmten Ursachen zuzuordnen und rechtzeitig Ersatzteile zu beschaffen, ist eine frühzeitige, vorausschauende Wartung notwendig (Predictive Maintenance). Dieser Anwendungsbereich profitiert von der zunehmenden Digitalisierung (Datenverfügbarkeit) und von aktuellen Entwicklungen in der Künstlichen Intelligenz (Modelle, Analyseverfahren).

Lösung: BaBSim4Pred

BaBSim4Pred ist ein individualisierbares, schlussfolgerndes und lernendes Prognosetool der Bartz & Bartz GmbH, das Methoden Künstlichen Intelligenz zur Anwendung bringt, um datenbasierte Prognosen zu Wartungsnotwendigkeit zu erstellen. Ein individuell anpassbares, datenbasiertes Simulationsmodell wird entwickelt, um die Prozesse der Kundschaft mit großer Genauigkeit abzubilden. Mit diesem Modell werden Prognosen des zukünftigen System- oder Prozesszustandes ermöglicht, um so einen Wartungsbedarf frühzeitig zu erkennen (Predictive Maintenance) und Ausfallzeiten zu minimieren. Optimierungsverfahren werden eingesetzt, um die notwendigen Wartungsarbeiten effizient zu planen. Algorithmische Fairness im Sinne von Bias und Transparenz für Anwenderinnen/Anwender ebenso wie Datenschutz werden dabei gewährleistet. BaBSim4Pred wird allen Konformitätsanforderungen der kommenden EU Richtlinien zu KI entsprechen.

Unsere Kunden erhalten eine leicht zu verwende und zu wartende Software, basierend auf geeigneten Verarbeitungspipelines (wie z. B. automatische Tests mit continuous integration, ETL mit Apache Airflow), Analysesoftware (R, python) und ansprechenden graphischen Schnittstellen und Oberflächen (shiny, Grafana).

Die Anpassung von BaBSim4Pred an die Anwendungen unserer Kunden setzt auf das strukturierte Vorgehen des Bartz & Bartz GmbH Prozessmodells.

Beispielprojekt 1: Optimierte Wartung von seillosen Aufzugssystemen (BaBSim.Elevator)

Die rasante Entwicklung urbaner Lebensräume stellt eine Herausforderung für Logistik und Personentransport dar, insbesondere für Aufzüge in Hochhäusern und Wolkenkratzern (nur vertikal, Schachthöhe limitiert, hoher Raumbedarf).

Neuartige seillose Aufzüge ermöglichen neue Mobilitätskonzepte und Architekturen sowie einen effizienteren Transport von Personen und Gütern auf der letzten Meile.

Nur mit effizienter Wartung ist der Betrieb dieser Aufzüge möglich. Wartungsnotwendigkeiten müssen frühzeitig erkannt werden (Predictive Maintenance), ohne dass es hierfür Erfahrungswerte gibt und die Wartungsarbeiten müssen optimal geplant werden. Dies beinhaltet die Planung der Arbeiten selbst sowie die Planung, welche Teile eines Aufzugsystems außer Betrieb genommen werden. Dabei muss auch die Auswirkungen auf die Transportkapazitäten möglichst gering gehalten werden und Ersatzteile rechtzeitig beschafft werden.

Basierend auf KI-Verfahren ermittelt unsere Softwarelösung für Predictive Maintenance (BaBSim4Pred) aus komplexen Sensor- und Maschinenlogdaten des Aufzugsystems den Bedarf für Wartungsarbeiten. Um die schwierige Datenlage zu kompensieren, generieren wir synthetische Daten mittels KI-basierter Simulationen.

Auf diesen und den Realdaten aufbauend setzen wir moderne Optimierungsalgorithmen ein, um:

durch rechtzeitige Wartung Ausfälle zu vermeiden,
den besten, d.h. am wenigsten störenden, Wartungszeitpunkt zu bestimmen,
die Planung der Wartungsstandorte und der betroffenen Elemente vorzunehmen,
die Steuerung der nicht betroffenen Aufzugskabinen für die Aufrechterhaltung der Transportkapazität zu optimieren und
die rechtzeitige Beschaffung von Ersatzteilen zu ermöglichen.

Beispielprojekt 2: Predictive Maintenance für LED Module (BaBSim.LED / PWM TRACK)

LED Anzeigemodule können in der Anwendung starken Belastungen ausgesetzt sein, z. B. Wettereinflüssen (Feuchtigkeit, Extremtemperaturen, Temperaturunterschiede), Schwankungen im Stromnetz oder chemischen Belastungen in der Luft. Dies beeinflusst, wie lange die gewünschte Funktion und Leuchtstärke der Anzeigemodule erhalten bleibt.

Um Austausch und Reparatur frühzeitig zu planen und Ausfallzeiten und damit eventuelle Betriebsbeeinträchtigungen zu vermeiden, ist eine genaue Vorhersage der Wartungsnotwendigkeit von großer Bedeutung. So können auch Garantiezeiten verlängert und Ressourcen geschont werden.

Als Spezialisten für moderne Verfahren der Datenanalyse hat die Bartz & Bartz GmbH zusammen mit dem weltweit führenden Hersteller von LED-Preisanzeigen, der PWM GmbH & Co. KG, ein Verfahren für die Analyse und vorausschauende Wartung (Predictive Maintenance) von LED-Anzeigesystemen mit Methoden der Künstlichen Intelligenz (KI) entwickelt. Mit einer individuell an die technischen Anforderungen angepassten Software (BaBSim4Pred) werden Sensordaten durch KI Modelle analysiert, um Fehler frühzeitig zu erkennen und Ursachen zu ermitteln. Gelungen sind die Vermeidung von Ausfällen und eine flexible, zielgenaue Wartung. Zudem erlaubt der analytische Ansatz auch die Sammlung völlig neuer Erkenntnisse über systematische Zusammenhänge zwischen den verschiedenen Systemkomponenten.