PlatonaM: Plattform-Ökosystem für innovatives Instandhaltungsmanagement durch Predictive Maintenance

Beschreibung:

PlatonaM strebt die Nutzbarmachung digitaler Maschinendaten als eigenständiges Wirtschaftsgut an. Der Lösungsansatz basiert auf einem Plattform-Ökosystem, das positive Netzwerkeffekte realisiert. Die angestrebten Mehrwerte liegen in der Reduzierung von Datenschnittstellen, der Aufdeckung bislang verborgener Zusammenhänge in der Maschinennutzung und der verbesserten Prognose und Priorisierung von Instandhaltungsmaßnahmen. Das Teilvorhaben der Universität Hohenheim ordnet sich in diese Zielsetzung durch die Entwicklung eines multimodalen Machine-Learning (MML) im Prozesskontext ein. MML ist eines von drei Kernbestandteilen der PlatonaM-Lösung (die weiteren sind Datenanonymisierung/-zerlegung für die sichere und rechtskonforme Maschinendatennutzung sowie On-demand-Services für prädikatives Instandhaltungsmanagement).

Die Universität Hohenheim entwickelt multimodale Machine-Learning-Verfahren für die Analyse von Maschinendaten im Prozesskontext. Die Verfahren dienen dazu, genauere Prognosen für das Instandhaltungsmanagement zu erstellen und auf dieser Basis Instandhaltungsentscheidungen wirksam zu unterstützen. Der Fokus liegt auf der Modellierung, Analyse und Interpretation hochdimensionaler, heterogener und zeitbezogener Maschinendaten mehrerer Kunden und mehrerer Hersteller. Der Lösungsansatz basiert auf semantischer Vorverarbeitung und Berücksichtigung des Prozesskontextes von Maschinen (Produktions- und Instandhaltungsprozesse). Hierzu werden Techniken des multimodalen Machine-Learning, der Wissensrepräsentation und Prozessmodellierung angewandt. Die Verfahrensentwicklung ist konzeptionell in das Plattform-Ökosystem des Gesamtvorhabens PlatonaM integriert und führt technisch zu neuartigen Plattformservices.

Die Forschungs- und Entwicklungsarbeiten der Universität Hohenheim sind eingebettet in das generische Plattform-Ökosystem PlatonaM mit den Rollen (1) Plattform-Entwickler, (2) Plattform-Service-Entwickler, (3) Plattform-Betreiber und (4) Anwender (Hersteller/Kunden). Im Teilvorhaben werden dazu Plattformservices für multimodales Machine-Learning im Prozesskontext entwickelt. Damit ist der folgende Arbeitsplan verbunden: (1) Anforderungsdefinition aus Machine-Learning-Perspektive, (2) Modellierung von Maschinendaten und maschinendatenbezogenen Prozessen, (3) Entwicklung von Machine-Learning-Verfahren für die Maschinenfehlerprognose, (4) Integration von Verfahren und Komponenten in die PlatonaM-Plattform und (5) Evaluation von Verfahren anhand von Anwendungsszenarien und Datasets des Gesamtvorhabens.

Beteiligte Einrichtungen

• Universität Hohenheim, Lehrstuhl Wirtschaftsinformatik 2
• InfAI Management GmbH (Leipzig)
• Simba n³ GmbH (Oelsnitz)
• SITEC Industrietechnologie GmbH (Chemnitz)
• Fraunhofer-Institut für Materialfluss und Logistik IML (Dortmund)

Förderer

• Bundesministerium für Wirtschaft und Klimaschutz
  Gefördert im Technologieprogramm „Smarte Datenwirtschaft"

Publikationen im Rahmen des Projekts

• Leukel, J., González, J., & Riekert, M. (2023). Machine learning-based failure prediction in industrial maintenance: improving performance by sliding window selection. International Journal of Quality & Reliability Management, 40(6), 1449-1462. https://doi.org/10.1108/IJQRM-12-2021-0439
• Leukel, J., Gonzalez, J., & Riekert, M. (2021). Adoption of machine learning technology for failure prediction in industrial maintenance: a systematic review. Journal of Manufacturing Systems, 61, 87-96. https://doi.org/10.1016/j.jmsy.2021.08.012
• Merkt, O. (2020). Predictive models for maintenance optimization: an analytical literature survey of industrial maintenance strategies. In E. Ziemba (Ed.), Information technology for management: Current research and future directions. AITM 2019, ISM 2019 (pp. 135-154). LNBIP 380. Springer. https://doi.org/10.1007/978-3-030-43353-6_8
• Merkt, O. (2019). On the use of predictive models for improving the quality of industrial maintenance: an analytical literature review of maintenance strategies. In Proceedings of the 14th Federated Conference on Computer Science and Information Systems (FedCSIS 2019). Leipzig, Germany. https://doi.org/10.15439/2019F101