Predictive Maintenance in pneumatischen Systemen
Das pneumatische System ist ein kritisches Element in jedem Truck. Die erzeugte Druckluft ist entscheidend für die Funktionalität des Bremsen- und Getriebesystems. Ein Defekt kann daher zu erheblichen Schäden, Totalausfällen und somit zu sehr hohen Kosten führen. Um Defekte vorzubeugen ist dementsprechend ein hoher Wartungsaufwand erforderlich. Eine Vielzahl von Sensoren sind in jedem Truck verbaut, um den aktuellen Zustand vieler Fahrzeugkomponenten zu erfassen. Ziel dieses Projektes war es diese Sensordaten mittels eines Machine Learning-Modells zu analysieren und vorherzusagen, ob ein Defekt des pneumatischen Systems zu erwarten ist. Geeignete Wartungsmaßnahmen können somit rechtzeitig eingeleitet werden und Kosten durch Defekte und unnötige Wartungen vermieden werden. Kritisch für den Erfolg dieses Projektes war es einerseits eine hohe Vorhersagegenauigkeit für Defekte am pneumatischen System zu realisieren und dabei möglichst wenige Fehlalarme zu generieren. Durch eine erfolgreiche Implementierung können erhebliche Kostenersparnisse erzielt werden.
Der Trainingssatz beinhaltete Sensordaten von insgesamt 60.000 Trucks. Davon wurde bei 1.000 Trucks ein Defekt im pneumatischen System erfasst. Zum Validieren der Vorhersagegüte wurden weitere Sensordaten von 16.000 Trucks übermittelt. Die Sensordaten beinhalteten insgesamt 171 Kennzahlen für jeden Truck.
Viele der Sensordaten zeigten Lücken auf und ein Umgang mit diesen Werten musste gefunden werden. Bei der Evaluierung der Modellpräzision muss eine differenzierte Gewichtung der Fehlvorhersagen vorgenommen werden. Einen tatsächlichen Defekt des pneumatischen Systems nicht vorherzusagen ist weitaus kritischer, als ein Fehlalarm, der lediglich zu unnötigen Wartungskosten führt. Eine entsprechende Priorisierung zur Vermeidung von nichtvorhergesagten Defekten innerhalb des Modells ist daher notwendig. Das Verhältnis der Daten von defekten pneumatischen Systemen und intakten Systemen ist sehr unausgeglichen (1.000:59.000), was in der Vorhersage zu einer zu großen Fokussierung auf intakte Systeme führt. Um die Verteilung und den Informationsgehalt der Sensordaten nicht zu verzerren, wurden fehlende Werte mit den entsprechenden Mittelwerten ersetzt. Da die Sensordaten sehr unterschiedliche Wertebereiche aufwiesen, wurde eine Normalisierung durchgeführt. Darüber hinaus fanden das Bootstrapping-Verfahren und eine entsprechenden Klassengewichtung innerhalb des Modells Anwendung. In einem Modellauswahlprozess wurden verschiedene Algorithmen bezüglich ihrer Vorhersagekraft beurteilt: Logistische Regression, Random Forest Classifier, Support Vector Classifier, Quadratic Discriminant Analysis (QDA) und Neuronale Netze. Die QDA verpasste deutlich weniger Defekte in der Vorhersage.
Das trainierte Machine Learning Modell erzielte mit 92,3 % eine hohe Genauigkeit bei der Vorhersage von Defekten des pneumatischen Systems und hatte dabei eine niedrige Fehlalarmrate von nur 3,8 %. Die vorgeschlagene Methodik kann in der Praxis als Unterstützung bei der Defektprävention eingesetzt werden und ermöglicht gezieltere Wartungsmaßnahmen.
