Künstliche Intelligenz im Kontext von IoT für Predictive Maintenance

Durch die Verbreitung des Internet of Things haben wir die Möglichkeit, mehr über die Umwelt zu erfassen und zu erfahren. Unser privates Umfeld wird durch Sensordaten immer persönlicher gestaltet. In der Industrie unterstützen sie die Automatisierung und Überwachung der Prozesse, die Steigerung der Effizienz und bewirken gar eine Transformation der Geschäftsmodelle.

Bei der Implementierung der IoT-Anwendungsfälle bedienen wir uns öfters der Methoden der Künstlichen Intelligenz, um eine bessere Verwertung der Daten zu erreichen. Vorausschauende Wartung (Predictive Maintenance) ist eine der prägnanten Anwendungen im IoT, bei der aus Prozess- und Maschinendaten Vorhersagen über mögliche Ausfälle gemacht werden können. Unabhängig vom Einsatzbereich der Predictive Maintenance stößt man bei der Implementierung auf eine Reihe von Herausforderungen. Wie gut eignen sich die Sensorendaten hinsichtlich deren Zuverlässigkeit, Vielfalt und Menge für die Analyse? Welche Modelle und Methoden der Künstlichen Intelligenz sind geeignet? Wie zuverlässig sind die Analyseergebnisse, und wie bindet man sie nachhaltig in einen Betriebskreislauf ein?

Wir zeigen eine prototypische Umsetzung der vorausschauenden Wartung am Beispiel der Überwachung der Beleuchtungsstärke in Tunneln und diskutieren gesammelte Erfahrungen.

Vorkenntnisse

Grundlegende Kenntnisse zum Maschinellen Lernen und Internet of Things (IoT) sind von Vorteil.

Lernziele

Die Teilnehmenden bekommen einen Überblick der Anwendungsfälle und gängige ML-Verfahren im Umfeld von IoT. Anhang eines Beispiels aus dem Verkehrswesen zeigt der Vortrag, wie man eine Anwendung für die vorausschauende Wartung bauen kann, und bespricht relevante Herausforderungen und Lösungsansätze.