Home Technology Vorausschauende Instandhaltung durch Maschinelles Lernen in der Prozessindustrie
Article
Licensed
Unlicensed Requires Authentication

Vorausschauende Instandhaltung durch Maschinelles Lernen in der Prozessindustrie

  • Achim Kampker , Kai Kreisköther , Max Kleine Büning , Tom Möller and Max Busch
Published/Copyright: April 27, 2018
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 113 Issue 4

Kurzfassung

Durch den Einfluss der Zuverlässigkeit der Instandhaltung auf die Produktionskosten und die Anlagenverfügbarkeit gewinnt die vorausschauende Instandhaltung als Evolution der präventiven Instandhaltung zunehmend an Bedeutung. In diesem Beitrag werden die Entwicklung, Funktionalität, Einsatz und Potenzial eines vorausschauenden Instandhaltungsmodells am Beispiel eines Großanlagenkompressors dargelegt. Das auf Machine Learning basierende Modell konnte erfolgreich in der Industrie validiert werden, indem kritische Veränderungen elektrischer Maschinen vor ihrem Eintreten vorhergesagt wurden.

Abstract

Due to the influence of the maintenance reliability on production cost and plant availability, predictive maintenance is becoming increasingly important. This article describes the development, functionality, use and potential of a predictive maintenance model using the example of a large compressor. The machine learning-based model has been successfully validated in industry by predicting critical changes to electrical machines before they occur.

Prof. Dr.-Ing. Achim Kampker, geb. 1976, studierte Maschinenbau an der RWTH Aachen und promovierte daraufhin am Werkzeugmaschinenlabor WZL. Seit 2009 ist er Professor der Fakultät für Maschinenwesen am Lehrstuhl für Produktionsmanagement und seit 2014 Inhaber des Chair of Production Engineering of E-Mobility Components. Seine thematischen Schwerpunkte liegen in den Bereichen Elektromobilproduktion und Fabrikplanung. Darüber hinaus ist er Mitbegründer und Geschäftsführer der StreetScooter GmbH in Aachen, welche individuelle, elektrisch betriebene Mobilitätskonzepte entwickelt und produziert.

Dipl.-Ing. Kai Kreisköther, geb. 1985, studierte Maschinenbau an der RWTH Aachen. Seit 2011 ist er Wissenschaftlicher Mitarbeiter und seit Anfang 2017 ist er geschäftsführender Oberingenieur des Chair of Production Engineering of E-Mobility Components PEM der RWTH Aachen.

Max Kleine Büning, M.Sc., M.Sc., geb. 1989, studierte Maschinenbau, Produktionstechnik und Wirtschaftswissenschaft an der RWTH Aachen. Seit 2014 ist er Wissenschaftlicher Mitarbeiter und seit 2016 Gruppenleiter der Gruppe Electric Powertrain des Chair of Production Engineering of E-Mobility Components PEM der RWTH Aachen.

Tom Möller, M. Sc, geb. 1992, studierte Maschinenbau und Produktionstechnik an der RWTH Aachen. Seit 2017 ist er wissenschaftlicher Mitarbeiter in der Gruppe Electric Powertrain des Chair of Production Engineering of E-Mobility Components PEM der RWTH Aachen.

Max Busch, M. Sc., geb. 1992, studierte Maschinenbau und Produktionstechnik an der RWTH Aachen. Seit 2017 ist er Wissenschaftlicher Mitarbeiter am Lehrstuhl für Produktionssystematik der RWTH Aachen.

Literatur

1. Herstatt, C.; Verworn, B. (Hrsg.): Management der frühen Innovationsphasen: Grundlagen – Methoden – Neue Ansätze. 2. Aufl., Gabler Verlag, Wiesbaden2007, S. 4–510.1007/978-3-8349-9293-2Search in Google Scholar

2. Mobley, R. K.: An Introduction to Predictive Maintenance. 2. Aufl., Elsevier Science, Woburn, MA2002, S. 110.1016/B978-075067531-4/50001-4Search in Google Scholar

3. Pawellek, G.: Integrierte Instandhaltung und Ersatzteillogistik: Vorgehensweisen, Methoden, Tools. 2. Aufl.; Springer-Verlag, Berlin, Heidelberg2016, S. 1–510.1007/978-3-662-48667-2Search in Google Scholar

4. Runkler, Th. A.: Data Mining: Methoden und Algorithmen intelligenter Datenanalyse. 1. Aufl.; Vieweg+Teubner-Verlag, Wiesbaden2009 S. 4–5Search in Google Scholar

5. Kotu, V.; Deshpande, B.: Predictive Analytics and Data Mining: Concepts and Practice with RapidMiner. Elsevier Inc., Waltham, MA2015, S. 510.1016/B978-0-12-801460-8.00013-6Search in Google Scholar

6. Jun, S.: Support Vector Machine based on Stratified Sampling. International Journal of Fuzzy Logic and Intelligent Systems9 (2009) 2, S. 141–146Search in Google Scholar

7. Schölkopf, B.; Smola, A.J.: Learning with Kernels – Support Vector Machines Regularization Optimization and Beyond. The MIT Press, Cambridge, Massachusetts, London, England2002, S. 200–202Search in Google Scholar

8. Brause, R.: Neuronale Netze: Eine Einführung in die Neuroinformatik. Teubner Verlag, Stuttgart1991, S. 36–3710.1007/978-3-322-92118-5Search in Google Scholar

9. Miller, S.: How to Build a Neural Network, 2015. Online: http://stevenmiller888.github.io/mind-how-to-build-a-neural-network/ [Letzter Zugriff: 18. März 2018]Search in Google Scholar

10. Ramyachitra, D.; Manikandan, P.: Imbalanced Dataset Classification and Solutions: A Review. International Journal of Computing and Business Research (IJCBR)5 (2014) 4, S. 1Search in Google Scholar

11. Ahmad, R.; Kamaruddin, S.: An Overview of Time-based and Condition-based Maintenance in Industrial Application. Computers and Industrial Engineering63 (2012) 1, S. 135–138Search in Google Scholar

Online erschienen: 2018-04-27
Erschienen im Druck: 2018-04-27

© 2018, Carl Hanser Verlag, München

Articles in the same Issue

  1. Editorial
  2. „Qualität“ wird neu definiert
  3. Inhalt/Contents
  4. Inhalt
  5. Qualitätsprognose
  6. Qualitätsbasierte Auftrags-zuordnung
  7. Instandhaltung
  8. Vorausschauende Instandhaltung durch Maschinelles Lernen in der Prozessindustrie
  9. Kooperatives Bestandspooling von Ersatzteilen
  10. Schlanke Produktion
  11. Lean Production Management im Mittelstand: Ressourceneffiziente Walzenproduktion
  12. Innovationsmanagement
  13. Open Innovation im Mittelstand
  14. Optimierungsmethoden
  15. Wie effektiv ist Kanban auf dem Shopfloor einer Montage?
  16. Rekonfiguration
  17. Simulationsbasierte Rekonfigurationsplanung flexibler Montagesysteme
  18. Bewertungsmodell
  19. Durchgängige modellbasierte Bewertung von Regenerations-lieferketten
  20. Lieferantenmanagement
  21. Methoden-Baukasten zum Lieferantenmanagement – durchgängig, modular, skalierbar
  22. Kundenorientierung
  23. Feedbackmanagement in der Möbelbranche
  24. Organisation
  25. Ganzheitliche Businessmodelltransformation über den Organisation 4.0-Gestaltungsansatz
  26. Lasys 2018
  27. Additive Laser-Fertigungsprozesse auf Erfolgskurs
  28. Digitale Fabrik
  29. Hybrid Prototype-in-the-Loop
  30. Lebenszykluskostenbewertungen zur frühzeitigen Produktbeeinflussung im Produktentstehungsprozess
  31. Digitalisierung
  32. Digitalisierung zum Anfassen!
  33. Roadmap
  34. Der Weg zur Industrie 4.0-Roadmap
  35. Vorschau/Preview
  36. Vorschau
https://doi.org/10.3139/104.111890

Articles in the same Issue

  1. Editorial
  2. „Qualität“ wird neu definiert
  3. Inhalt/Contents
  4. Inhalt
  5. Qualitätsprognose
  6. Qualitätsbasierte Auftrags-zuordnung
  7. Instandhaltung
  8. Vorausschauende Instandhaltung durch Maschinelles Lernen in der Prozessindustrie
  9. Kooperatives Bestandspooling von Ersatzteilen
  10. Schlanke Produktion
  11. Lean Production Management im Mittelstand: Ressourceneffiziente Walzenproduktion
  12. Innovationsmanagement
  13. Open Innovation im Mittelstand
  14. Optimierungsmethoden
  15. Wie effektiv ist Kanban auf dem Shopfloor einer Montage?
  16. Rekonfiguration
  17. Simulationsbasierte Rekonfigurationsplanung flexibler Montagesysteme
  18. Bewertungsmodell
  19. Durchgängige modellbasierte Bewertung von Regenerations-lieferketten
  20. Lieferantenmanagement
  21. Methoden-Baukasten zum Lieferantenmanagement – durchgängig, modular, skalierbar
  22. Kundenorientierung
  23. Feedbackmanagement in der Möbelbranche
  24. Organisation
  25. Ganzheitliche Businessmodelltransformation über den Organisation 4.0-Gestaltungsansatz
  26. Lasys 2018
  27. Additive Laser-Fertigungsprozesse auf Erfolgskurs
  28. Digitale Fabrik
  29. Hybrid Prototype-in-the-Loop
  30. Lebenszykluskostenbewertungen zur frühzeitigen Produktbeeinflussung im Produktentstehungsprozess
  31. Digitalisierung
  32. Digitalisierung zum Anfassen!
  33. Roadmap
  34. Der Weg zur Industrie 4.0-Roadmap
  35. Vorschau/Preview
  36. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2026 De Gruyter Brill
Downloaded on 18.2.2026 from https://www.degruyterbrill.com/document/doi/10.3139/104.111890/html
Scroll to top button