Predictive Maintenance

Um Verschleißpotenziale oder kritische Ereignisse in Wohngebäuden frühzeitig zu erkennen, wurden in ForeSight Testwohnungen mit Sensoren und Komponenten ausgestattet. Die dadurch gewonnenen Daten wurden mit Methoden des Maschinellen Lernens analysiert. Durch intelligente Vorhersagen ist die „Predictive Maintenance“ in Wohngebäuden in der Lage, die Kosten für Instandhaltungsmaßnahmen zu senken.

Über die Autorin

Cristina Mihale-Wilson

Cristina Mihale-Wilson ist Postdoktorandin am Lehrstuhl für Wirtschaftsinformatik und Informationsmanagement an der Goethe-Universität Frankfurt am Main. Ihre Forschungsschwerpunkte sind wirtschaftliche und soziale Aspekte sowie die Potenziale von KI und KI-basierten Systemen. Im Rahmen von ForeSight erforscht sie die Eignung, die wirtschaftlichen Potenziale und die Nachhaltigkeit des Aufbaus intelligenter Dienste und KI-basierter Systeme für die Smart Living-Branche.

Der erste Schritt im Predictive-Maintenance-Prozess ist die Zustandsüberwachung, die kritische Ereignisse und Betriebszustände mit hohem Verschleißpotenzial erkennt. Der ForeSight Dataspace umfasst und bündelt alle Daten aus Sensoren und Geräten, sowie die anlagenspezifischen Informationen, die für die Zustandsüberwachung notwendig sind.

Grafik 1: Predictive Maintenance am Beispiel einer Wasserleitungslekage

Die Toolbox stellt vortrainierte KI-Algorithmen für die Plausibilisierung von Sensorwerten, für Anomalie- oder Bilderkennung bereit, so dass kritische Ereignisse und Fehlerzustände identifiziert werden können. Während spezialisierte Dienste in der Toolbox zielgerichtete Diagnosen bereitstellen können, wird über weitere ForeSight-Komponenten die Instandhaltung organisiert. Ein Predictive-Maintenance-Dashboard kann beispielweise nicht nur Servicetechniker*innen, Ersatzteile und Logistik optimal planen und organisieren, sondern auch die Instandhaltungsmaßnahmen umfangreich unterstützen.

Der „digitale Zwilling“, der ein Bestandteil des ForeSight DataSpaces ist, spiegelt dabei die reale Umgebung in einer virtuellen Kopie. Durch die Verbindung des „digitalen Zwillings“ mit dem Predictive-Maintenance-Dashboard kann schließlich eine bessere Orientierung des Handwerkers vor Ort gesorgt werden. Eine Verbindung zum intelligenten Gebäudepförtner kann den Zugang zu den richtigen Räumen gewährleisten. Dieser intelligente Service der ForeSight-Toolbox kann dazu genutzt werden, dass Personen mittels Gesichtserkennung oder durch die Erfassung eines QR-Codes in bestimmte Räume gelangen. Die dafür notwendigen Einlassbeschränkungen sind dem digitalen Zwilling des Gebäudepförtners hinterlegt. Schließlich kann durch detaillierte Informationen aus dem Dashboard auch sichergestellt werden, dass Servicetechniker*innen die richtigen Austauschteile mitbringen und einbauen können.

Predictive Maintenance ist möglich für einzelne Sensoren und komplexe Anlagen

Ähnlich zu dem genannten Beispiel einer Wasserleitungsleckage unterstützen die einzelnen ForeSight-Komponenten die Implementierung von Predictive Maintenance für weitere schwer manuell zu überwachenden Anlagen wie zum Beispiel PV Anlagen, Elektroladesäulen, Infrastrukturanlagen in gemeinsam genutzten Räumen wie Büros oder der Ausfall wichtiger Sensoren die zur Notfall- und Aktivitätserkennung genutzt werden. ForeSight Komponenten ermöglichen die Implementierung von Predictive Maintenance für kritische Gebäudeanlagen wie Heizung, Aufzug, Elektronik, privat genutzte Geräte wie Kühlschrank, Ofen, Smart TV oder Sensoren in der Gebäudehülle wie Rollläden, Fenster und Türkontakte, Rauchwarnmelder oder Feuchtigkeits- und Temperatursensoren. Dafür werden sowohl historische Zeitreihen als auch Live Daten in verschiedenen Taktungen und Granularitäten verwendet, um mittels Methoden des Maschinellen Lernens den Zustand der Sensorik und anderer Geräte zu überwachen und mögliche Ausfälle zu prognostizieren. Abweichungen zwischen tatsächlichen Sensormesswerten und den prognostizierten Werten können ein Indiz für mögliche Zustandsänderungen oder Defekte sein. In manchen Fällen werden jedoch auch Audio-, Video oder Bilddaten genutzt um Ausfälle zu diagnostizieren. Beim Predictive Maintenance für Photovoltaik(PV)-Anlagen beispielsweise können mit einer Infrarotkamera aufgenommen Bilder genutzt werden, um fehlerhafte Module und Paneele zu identifizieren.

Fehlererkennung bei PV Anlagen mittels KI

Ein einzelnes PV-Modul besteht aus mehreren Zellen, die Licht in Strom umwandeln. Fehlerhafte Zellen oder Paneele erhitzen sich, weil sie die Sonnenenergie nicht in Strom umwandeln können. Bei der Infrarot-Thermografie erscheinen die erhitzten Stellen wie sogenannte „Hotspots“. Infrarot-Kamerabilder können dabei helfen Anomalien in Modulen und Zellen aufzudecken, die sonst nicht mit bloßem Auge erkennbar sind. Die Erkennung von Anomalien in Modulen und Zellen kann visuell durch Experten oder automatisiert mit Methoden des Maschinellen Lernens erfolgen. Durch den Einsatz von Echtzeit-Algorithmen zur Objekterkennung können Fehler in Modulen und Zellen erkannt werden, auf den Digitalen Zwilling gemappt und über das Predictive Maintenance-Dashboard angezeigt werden. Servicearbeiten können basierend auf den Informationen aus dem Dashboard so gebündelt und optimiert erfolgen, dass Ausfallzeiten der Anlage minimiert werden.

Grafik 2: KI-basierte Fehlererkennung in Modulen einer PV Anlage

Grafik 2 zeigt die im Rahmen von ForeSight durchgeführte Implementierung für PV-Anlagen, die automatisiert die für Predictive Maintenance notwendigen Informationen erfassen kann. In diesem Fall erstellt eine mittels einer mir Infrarotkamera ausgestattete Drohne Bilder der PV-Anlagen auf dem Dach. Die Verwendung einer Drohne hat den Vorteil, dass die Bildaufnahmen zum einen schneller erfasst werden können und zum anderen mit weniger Risiko verbunden sind, da Dächer für die Inspektion nicht bestiegen werden müssen.

Weiterführende Links

Lowin, Maximilian / Mihale-Wilson, Cristina (2021): „Towards Predictive Maintenance as a Service in the Smart Housing Industry“, INFORMATIK 2021, Gesellschaft für Informatik, Bonn, Germany, S. 1093-1106, dl.gi.de/handle/20.500.12116/37758.

Lowin, Maximilian / Kellner, Domenic / Kohl, Tobias / Mihale-Wilson, Cristina (2021): „From Physical to Virtual: Leveraging Drone Imagery to Automate Photovoltaic System Maintenance“, INFORMATIK 2021, Gesellschaft für Informatik, Bonn, Germany, S. 1201-1211, dl.gi.de/handle/20.500.12116/37769.

Weitere Use Cases

Optimierter Grünstromverbrauch durch KI
Simon Birkholz, ixto

Predictive Maintenance
Cristina Mihale-Wilson, Goethe Universität Frankfurt

Netzdienliches Laden
Philipp Waldkirch, KEO

Das Smart Meter Gateway: Sicherheitsanker für Mehrwerte
Greta Esders, PPC

ForeSight-Multisensor und virtuelle Sensoren
Stefan Neuhaus, INSTA