IPN

Im Rahmen eines mehrjährigen Projekts konnten wir das Unternehmen IFE Automatic Door Systems erfolgreich bei der Digitalisierung seiner Produkte unterstützen. Der Fokus des Projekts lag auf der Entwicklung eines Condition Monitoring Systems, der Durchführung von komplexen Analysen von Fehlerzuständen und der Umsetzung von AI-gestützter Predictive Maintenance für die IFE-Produkte. Mithilfe unserer Visualisierungssoftware "IPN Visualytics" können die Fachexperten von IFE Automatic Door Systems die gesammelten Daten schnell und intuitiv analysieren und eigene Lösungen für die zukünftige Überwachung der Komponenten entwickeln.

Die voestalpine Stahl GmbH, der bekannteste Betreiber eines integrierten Hüttenwerks in Österreich, hat in Zusammenarbeit mit IPN ein Pilotsystem zur Wartungsvorhersage im Bereich der Kühlanlagen für Stranggussanlagen entwickelt. Die voestalpine Stahl GmbH fungierte dabei als Domänenexperte für Strangguss und Instandhaltung sowie als Datenlieferant. Dank der engen Zusammenarbeit konnte ein Pilotsystem zur Wartungsvorhersage mit einem Prognosehorizont von mehr als 28 Tagen erfolgreich umgesetzt werden.

Sendestationen sind technische Einrichtungen, die über das Land verteilt sind und hohe Verfügbarkeitsraten sicherstellen müssen. Im Falle eines Ausfalls muss eine Wartung zeitnah erfolgen, weshalb diese Stationen technisch sehr genau überwacht werden. Aufgrund der Vielzahl von Warnungen, Fehlern und Störungsmeldungen werden Servicemitarbeiter zu den Stationen geschickt, die die meisten Meldungen verursachen oder bereits im Störmodus sind. Dank der KI-basierten Analyse von Zeit- und Ordnungsreihen konnten viele Muster identifiziert werden, bei denen schnelles Handeln einen Störbetrieb hätte verhindern können. Darüber hinaus war es möglich, eine gezielte Priorisierung von Wartungsaufträgen vorzunehmen, die sowohl die Anfahrtskosten senkt als auch die Verfügbarkeit erhöht.

Für bestimmte wiederkehrende Störungen im laufenden Betrieb von Feuerwehrfahrzeugen konnten selbst deren Entwickler keine Ursachen detektieren. IPN wurde damit beauftragt, die Ursachen für diese Störungen mit einem datenbasierten Ansatz zu identifizieren. Durch die Kombination aus traditionellen statistischen Methoden, Machine Learning und dem technischen Know-how des Kunden konnten gezielt die Probleme und Ursachen identifiziert werden. Basierend auf diesen Ergebnissen konnten technische und Software-Anpassungen vorgenommen werden, um die Störungen vollständig zu beseitigen. Diese Maßnahmen haben sowohl die Verfügbarkeitsrate als auch die Kundenzufriedenheit von Rosenbauer erhöht.

IPN hat die KB SfS GmbH bei der Planung und Implementierung der AI/ML Cloud-Infrastruktur sowie bei der Einführung einer automatisierten Data-Processing-Pipeline unterstützt. Das Ergebnis ist eine Infrastruktur, die für Advanced Analytics geeignet ist und es der KB SfS GmbH ermöglicht, fortschrittliche datengetriebene Services für ihre Produkte zu entwickeln. Parallel dazu unterstützte IPN bei der Entwicklung von Predictive-Maintenance-Algorithmen für bestehende und neue Produkte des Unternehmens wie zum Beispiel Bremsen, Luftversorgung, Türen, etc.

IPN erhielt von der Bayer AG den Auftrag, die Produktionsabläufe eines chemischen Reaktors online zu bewerten. Das Ziel war es, den gerade produzierten Batch frühzeitig in Klassen wie "Produktion im Normbereich" und "Produktion abweichend vom Normbereich" einzuordnen. Hierfür wurden die relevanten Betriebsparameter identifiziert und eine Qualitätsprognose während des Produktionsprozesses erstellt. Der "IPN Advisor" wurde entwickelt, um die Betriebsparameter während der Produktion zu analysieren und Vorschläge zur Regelung zu geben, um die Qualität hoch zu halten.

FORSCHUNGSPROJEKT: Anonymisierte Sensordaten eines physikalischen Modells wurden mithilfe von Machine Learning Methoden approximiert, um virtuelle Sensoren zu erstellen, ohne die tatsächlichen Messpunkte installieren zu müssen. Eine „Support Vector Machine“ erreichte ein Bestimmtheitsmaß von 99,9%, was bedeutet, dass das physikalische Modell und das Machine Learning Modell nahezu identische Ergebnisse lieferten. Diese virtuellen Sensoren können sowohl von Technikern und Forschern zur Interpretation genutzt werden als auch zur Prognose von Ausfallwahrscheinlichkeiten und anderen Anwendungen dienen.

Für die Firma "Metallveredelung Huber" (MVH) ist es von großer Bedeutung, kontinuierlich Engpässe zu identifizieren und die Produktionseffizienz zu steigern. Durch die Kombination von Produktions-, Maschinen- und Geschäftsdaten des Unternehmens in unserem DataCube haben wir die Grundlage für detaillierte Einblicke in die Produktion und ihre Abläufe geschaffen. Basierend auf dieser Datengrundlage werden Anlagenstörungen in Echtzeit an die Smartwatches der Instandhalter gesendet, um Stillstands Zeiten signifikant zu reduzieren. Die Mitarbeiter an den Maschinen erhalten zu jedem Zeitpunkt Einblick in ihre Schichtproduktivität, was zu einer gesteigerten Gesamtproduktivität führt. Dies zeigt sich deutlich in den Wochen- und Monatsberichten, die aus dem DataCube für die Geschäftsführung erstellt werden. Das aktuelle Projekt wird die automatisierte Erkennung von Leckagen im Prozessluftsystem ermöglichen und befindet sich aktuell in der Validierung.

In 2019 führte Plansee zusammen mit IPN ein Pilotprojekt zu Predictive Maintenance (Industrie 4.0) durch. Ziel war die Bewertung des wirtschaftlichen Potenzials von Predictive Maintenance anhand der bei Plansee eingesetzten Cold Isostatic Press (CIP). Es wurden Möglichkeiten zur Fehlererkennung und -vorhersage für den Druckübersetzer und die Hydraulik der CIP analysiert. Die Ergebnisse: Predictive Maintenance ist sowohl technisch als auch wirtschaftlich sinnvoll. Es kann Ausfälle von CIP aufgrund von Druckübersetzer- und/oder Hydraulikproblemen mit hoher Wahrscheinlichkeit vorhersagen. Predictive Maintenance ermöglicht eine proaktive Instandhaltung, erhöht die Anlagenverfügbarkeit und Liefertreue. Die Analyse von Maschinendaten ermöglicht die Einrichtung eines OEE-Kennzahlensystems zur Leistungsbewertung und Ursachenforschung.

FORSCHUNGSPROJEKT: Im Rahmen eines gemeinsamen Forschungsprojekts mit der Forschungsgesellschaft Salzburg Research und anderen Industriekunden wurde ein Modell entwickelt, das die Druckqualität eines 3D-Druckers prognostiziert. Das Hauptziel des Modells besteht darin, qualitätsmindernde Faktoren der Nozzle zu identifizieren und dadurch einen qualitativ hochwertigen Druck zu gewährleisten. Die Prognosen werden über den Message Broker Apache Kafka automatisch an das verbundene Instandhaltungsmanagement-Programm übermittelt