Deshalb setzen wir eine „Smart Sensing“-Strategie ein, bei der nicht nur Daten aus den Fördersystemen selbst, sondern auch aus deren Betriebsumgebung analysiert werden. Dazu gehört unter anderem die Überwachung unerwarteter Temperatur- und Vibrationsänderungen. Hochentwickelte Algorithmen analysieren dann die Daten, um mögliche Probleme vorherzusagen.
Das Ergebnis: 25 Prozent weniger Ausfallzeiten
Der Erfolg unserer Strategie der vorausschauenden Wartung ist bemerkenswert. Sie hat die Ausfallzeiten der Anlagen um durchschnittlich 25 Prozent reduziert und zu erheblichen Einsparungen bei den Ersatzteilkosten und den Wartungsstunden geführt. Vanderlande wird etwa 2.000 Anlagen im Terminal 3 mit Sensoren ausstatten. „Die vorausschauende Wartungslösung von Vanderlande ist einzigartig in ihrer Fähigkeit, nahezu unbegrenzt skaliert werden zu können, ohne dass grundlegende Änderungen an der Architektur und dem Edge-Tooling vorgenommen werden müssen. Die Nutzung des maschinellen Lernens auf Cloud-Ebene ermöglicht die Anwendung auf eine breite Palette von Anlagen an der Frontlinie in einer Weise, von der wir glauben, dass sie die Art und Weise, wie die Wartung in Heathrow durchgeführt wird, grundlegend verändern wird“, so Heathrow’s Chief Engineer – Baggage Handling Systems.
Fall 2: Führender Teilelieferant – maschinelles Lernen bei Shuttle-Systemen
Unser zweiter realer Fall betrifft einen führenden Teilelieferanten. Die Anzahl der Produkte, die an diesem einzigen Standort bearbeitet werden, ist erstaunlich. Das Lager hat mehrere 100.000 verschiedene Lagerplätze und es gibt Dutzende von Kommissionier- und Verpackungsstationen sowie mehrere Kilometer Förderbänder. Das MOVEsystem von IEF-Werner transportiert Bauteile und Produkte zuverlässig, modular und kosteneffizient – ob auf Werkstückträgern, direkt auf Riemen oder in Paletten. Anwender profitieren von maximaler Flexibilität. ‣ weiterlesen
MOVEsystem bewegt mehr:
Unser ADAPTO-Shuttle-System kann als Eckpfeiler dieses Vorgangs betrachtet werden; es ist unser intelligentes Shuttle-basiertes automatisches Lager- und Bereitstellungssystem (AS/RS) mit integrierten Sortier- und Sequenzierungsfunktionen. Obwohl das System so konzipiert ist, dass es keinen einzigen Ausfallpunkt gibt, laufen mehr als Hunderte von Shuttles in einem vordefinierten Raster.
Um herauszufinden, ob wir ungeplante Ausfallzeiten und den Wartungsaufwand in unseren Lagern reduzieren können, haben wir mehrere Initiativen gestartet, bei denen wir KI einsetzen, und ADAPTO ist eine davon.
Lassen Sie uns einige Besonderheiten bei der Erkennung bevorstehender Ausfälle näher betrachten. Wir verwenden Techniken des maschinellen Lernens, wie z.B. Long Short-Term Memory Network-Modelle. Diese Methode hilft uns unter anderem dabei, Prozesseinblicke durch eine „Anomalie-Zeitleiste“ zu visualisieren und so unser Verständnis sowohl für den Zustand der Maschine als auch für den Betrieb zu verbessern. Wir sind von der vorbeugenden Wartung zu einer proaktiven Wartung übergegangen; mehr oder weniger ein Shuttle, das uns sagt, dass es „sich nicht wohl fühlt, bevor es krank wird“.
Die bisherigen Ergebnisse von drei Innovationspiloten mit ADAPTO sind sehr vielversprechend:
- Bereits mehr als 80 Prozent Genauigkeit bei der Erkennung bevorstehender Ausfälle
