Predictive Maintenance realisieren. Studenten fördern
Autor: Kevin Wesendrup
Predictive Maintenance (PdM) bietet großartige Potentiale, die Implementierung stellt viele, insbesondere kleine und mittelständische Unternehmen, aber auch vor große Herausforderungen. Oftmals fehlt diesen freigestelltes Potential für große, risikobehaftete Projekten, wie Predictive Maintenance. Vor allem ältere, traditionelle Industrieunternehmen für die sich PdM besonders lohnt, haben kein Wissen in relevanten Bereichen, wie z.B. Data Science oder Analytics. Zudem fehlt es oft an qualifiziertem Personal, welches auch aus der alltäglichen Arbeit entbunden werden kann, um Predictive Maintenance zu implementieren.
Auf der andere Seite forschen Hochschulen in Bereichen des Predictive Maintenance und vermitteln den Studenten fundierte Kenntnisse in den Bereichen Datenanalyse, Projektmanagement, oder Programmierung. Hier fehlt aber oft der Praxisbezug und es gibt oft keinen Transfer von gelehrten Konzepten in reale Projekte.
Das Institut der Wirtschaftsinformatik der Universität Münster bietet deshalb Projektseminare an, um die im Studium erlernten Inhalte und Methoden in einem praxisnahen Projekt zur Lösung eines komplexen Problems (z.B. Predictive Maintenance) fachgerecht einzusetzen. Projekte werden oft in Zusammenarbeit mit einem Praxispartner aus der Industrie und 8-12 Studenten durchgeführt.
Die Vorteile von Unternehmen ist dabei die Realisierung von Projekten, die von der Erstellung eines Fachkonzepts über den Entwurf einer passenden Softwarearchitektur, bis hin zur Implementierung und dem Testen reichen können. Die Studenten können ihre im Studium gewonnenen Kenntnisse so anwenden und das Projekt durch Teamarbeit, Planung und Management erfolgreich durchführen.
Die Implementierung von Predictive Maintenance war dabei bisher öfters ein sehr guter Kandidat für solche Projekte. Folgend ist ein exemplarischer Ablauf unserer Predictive Maintenance Projektseminare zu sehen:
- Woche 1: Kick-off an der Universität
- Woche 2-5: Die Teilnehmer arbeiten sich eigenständig in die relevante Literatur ein und verfassen jeweils eine Seminararbeit
- Woche 6: Präsentation der Seminararbeitsergebnisse
- Woche 7: Kick-off beim Praxispartner und Projekt Scoping
- Woche 8: Schaffung von Unternehmensverständnis mithilfe eines Business Case Workshops (z.B. Was ist der Ist-Zustand? Welche Maschinen/Komponenten sind problematisch? Wo stecken die größten Potentiale?)
- Woche 9: Explorative Datenanalyse (Datenakquise, Boxplots der Sensordaten, Korrelationsanalyse)
- Woche 10-11: Datenvorbereitung (Sensorauswahl, Ausreißerbereinigung, Imputation fehlender Werte, Temperaturnormierung)
- Woche 12-13: Feature Engineering (Bildung neuer Werte, wie z.B. Mittelwerte, Minima, Maxima, Extrempunkte, Maschinenstopps)
- Woche 14-15: Clustering von Maschinenzuständen (z.B. DBSCAN, k-means, MeanShift, Hierarchisches Clustering) und Evaluation (z.B. Silhouette, Calinski-Harabasz, Davies-Bouldin)
- Woche 16: Auswahl relevanter, kritischer Fehler (Label) aus den Diagnosesystemen
- Woche 17: Korrelationsanalyse zwischen Fehler, Sensordaten und Maschinenzuständen (Cluster)
- Woche 18: Weiteres Feature Engineering durch Hinzufügen von vorausgegangenen Warnmeldungen, Hinzufügen von Time-Lagged Features
- Woche 19-20: Remaining Useful Life Prediction anhand mehrerer Methoden des maschinenellen Lernens (z.B. neuronale Netze, Support Vector Machines) und Evaluation anhand unterschiedlicher Metriken (z.B. Fehler, Prognosehorizont, Alpha-Lambda Performance)
- Woche 21: Progammierung eines interaktiven Dashboards mit Python
- Woche 22: Abschlusspräsentation und Projektübergabe
Danach bekommt das Unternehmen eine Projektdokumentation. Bisher führte jedes Projekt auch zu weiteren Kooperationen zwischen Studenten und Unternehmen (Abschlussarbeiten, Werkstudentenjobs, feste Anstellungen). Weiterhin ist auch eine Zusammenarbeit zwischen Universität und Unternehmen in staatlich geförderten Verbundprojekten denkbar.
Über den Autor:
Kevin Wesendrup ist seit 2019 wissenschaftlicher Mitarbeiter am Institut für Wirtschaftsinformatik der Westfälischen Wilhelms-Universität (WWU) Münster. An der Universität forscht und lehrt er im Bereich Predictive Maintenance. Davor absolvierte er einen Master in Information Systems an der WWU und einen Bachelor in Wirtschaftsinformatik an der Westfälischen Hochschule.
Kevin Wesendrup
Wissenschaftlicher Mitarbeiter am Lehrstuhl für Wirtschaftsinformatik und Logistik (WWU Münster)
Telefon: 0251 83-38014
Mail: kevin.wesendrup@wi.uni-muenster.de
