A procedural model for extracting knowledge from industrial maintenance reports

Abstract

Die derzeitige Entwicklung von IoT-Plattformen, Sensortechnologien und Condition-Monitoring Systemen ermöglicht datengetriebene Ansätze, die eine neue Sichtweise in der industriellen Instandhaltung bewirken. Obwohl die wissensbasierten Modelle der Instandhaltung bereits bemerkenswerte Fortschritte bei der Planung und der Entscheidungsunterstützung erzielt haben, beschränken sie sich hauptsächlich auf die Analyse aufgezeichneter Zustände und maschinenbezogener Daten. Im Gegensatz dazu konzentriert sich diese Arbeit auf die eher vernachlässigte Seite des menschlichen Hintergrundwissens, welches häufig über unstrukturierten Textdaten kommuniziert und festgehalten wird. Ziel ist es, bestehende datengetriebene Ansätze zu verbessern, indem latentes menschliches Wissen mit geeigneten Text-Mining-Methoden zugänglich gemacht und expliziert wird. Die untersuchten Konzepte Assoziationsanalyse und Stimmungsanalyse sind in einem umfassenden Vorgehensmodell zur Wissensgewinnung eingebettet, das notwendige Schritte zur Datenaufbereitung sowie die Visualisierung der Ergebnisse beinhaltet. Das vorgeschlagene Konzept wird schließlich auf einen Anwendungsfall im industriellen Bereich zur Analyse von Wartungsberichten angewendet. Die erhaltenen Ergebnisse lassen Rückschlüsse auf Fehler und Wartungstätigkeiten zu und geben die Meinung des Wartungspersonals zu extrahierten Entitäten wieder.Im Rahmen zukünftiger Arbeiten kann der vorgestellte Ansatz als Grundlage für die Ableitung text- und wissensbasierter Key Performance Indicators (KPI) im Umfeld der industriellen Instandhaltung dienen. Die extrahierten Meinungen von Experten zu Anlagen, sowie die Ausprägung der Assoziation in Bezug zu auftretenden Fehlern und Ereignissen könnten genutzt werden, um etablierte Leistungsindikatoren wie die Gesamtanlageneffektivität (OEE) zu ergänzen. Darüber hinaus könnte der Ansatz in die Berichtsfunktion von „Digital Shift Books“ integriert werden, die Standards für die Textaufzeichnung von Wartungsereignissen sicherstellen und so eine wertvolle Textdatenquelle für das Extrahieren von Wissen bilden.

With the emergence of IoT platforms, sensing technologies and condition monitoring systems, data-driven approaches have flourished driving a new era in industrial maintenance. Although the developed knowledge-based models have achieved remarkable advances in maintenance scheduling and decision support, they are mainly limited to the analysis of recorded mechanical conditions and equipment-related data. Conversely, this work focuses on the rather neglected side of human background knowledge, which is expressed and recorded by uncodified textual data. It strives for enhancing existing data-driven approaches by codifying and explicating latent human knowledge with appropriate text-mining methods. The investigated concepts of association measuring and sentiment analysis are embedded in a comprehensive procedural model for knowledge extraction involving necessary steps for data preparation as well as the visualization of results. The proposed approach is finally applied to a use-case in the industrial sector for analyzing textual maintenance reports. The obtained outcome reveals inferences such as failure/action pairs and expresses maintenance staffs opinions towards occurring events. As part of future works the presented approach could serve as foundation for deriving text- and knowledge-based Key Performance Indicators (KPI) in the environment of industrial maintenance. The extracted opinions of experts towards equipment as well as the strength of association with respect to occurring failures and events could be utilized to complement established performance indicators, such as Overall Equipment Effectiveness (OEE). Moreover, the approach could be integrated in the reporting function of “Digital Shift Books”, which ensure standards in textual recording of maintenance events and thus build a valuable textual data source for knowledge mining.