Kostensenkung durch weniger Wartungsarbeiten, ein effizienterer Support und zufriedenere Kunden: Das verspricht Predictive Maintenance. Der Vortrag führt in das Thema ein und beschreibt anhand von Kundenprojekten, wie mittels Machine Learning-Verfahren die Wartung optimiert werden kann. Die Referenten stellen dabei verschiedene Methoden vor (Rainflow-Analyse sowie Anomaly Detection) und geben Tipps für die Praxisanwendung von ML-Ansätzen im Bereich Predictive und Condition-Based Maintenance.

Zielpublikum: Entscheider, Data Scientists, Interessierte
Voraussetzungen: Interesse, Grundkenntnisse Statistik und Data Science
Schwierigkeitsgrad: Einsteiger

Extended Abstract:
In vielen Unternehmen wird eine Vielzahl unterschiedlicher Daten gesammelt, ohne dass es dafür schon konkrete Anwendungsfälle gibt. Auf der Suche nach passenden Use-Cases, mit denen Kosten gesenkt, Einnahmen erhöht oder die Qualität verbessert werden soll, fällt häufig das Schlagwort Predictive Maintenance. Durch datengestützte Predictive Maintenance sollen Wartungsleistungen seltener anfallen, zielgerichteter sein und somit die Kundenzufriedenheit verbessert werden.

Im Vortrag werden zwei Projekte aus dem Maschinenbau vorgestellt, bei denen Predictive Maintenance in Kombination mit Machine Learning-Verfahren zum Einsatz kommt. Das erste Projekt beschreibt die Optimierung der Wartungsbetreuung, die auf dem tatsächlichen Zustand der Komponenten basiert (Condition-Based Maintenance). 

Das zweite Projekt, das der Vortrag vorstellt, nimmt sich der Herausforderung von Datenanomalien im Machine Learning an. Dabei werden diese Ausreißer nicht als Störung interpretiert, sondern als Indikator für bisher unbekannte Muster. Wie eine Anomaly Detection in konkreten Predictive Maintenance-Projekten aussehen kann und welche Algorithmen dabei eingesetzt werden können, beschreiben die Referenten in ihrem Vortrag.

Für den Vortrag ist in erster Linie Interesse am Thema gefordert. Die Referenten führen in die jeweiligen Fragestellungen ein und entwickeln daraus praxisrelevante Lösungsansätze.