Design and development of automatic recommendation generation module of prescriptive maintenance model (AutoPriMa)

Abstract

Mit Industry 4.0 wurde eine neue Ära in der Instandhaltung eingeleitet. Mit dem Aufkommen von Cyber-Physical Production Systems (CPPS) und der ständigen Verfügbarkeit von Sensordaten änderte sich die Wartung von der vorausschauenden zur präskriptiven Instandhaltung. Internet of Things (IoT), Data Science und Artifical Intelligence (AI) spielen daher eine wichtige Rolle bei der Entwicklung von Fertigungstechnologien. Es wird erwartet, dass die vorschreibende und präskriptive Instandhaltung bis 2022 um etwa 39% auf jährlich 10,96$ Milliarden wächst. Es wird auch von der Smart Manufacturing Leadership Coalition (SMLC) dargelegt, dass die folgenden Ziele durch datengesteuerte Analysen in der intelligenten Fertigung erreicht werden können (1) 30% Reduzierung der Kapitalintensität, (2) bis zu 40% Reduzierung der Produktzykluszeiten und (3) übergreifende positive Auswirkungen auf Energie und Produktivität. Lueth K. et al. (2016) erklärten in ihrem Bericht, dass 79% aller Entscheidungsträger von Original Equipment Manufacturers die vorausschauende und präskriptiven Instandhaltung als eine der wichtigsten Entwicklungen in den nächsten 1-3 Jahren sehen. In der prädiktiven Datenanalyse ist es das Ziel die best möglichste Handlungsalternative zu finden um ein gegebenes Problem mit Hilfe von Techniken wie Empfehlungsdienst und Neuronalen Netzwerk zu lösen. Während die prädiktive Instandhaltung in der aktuellen Situation meist aus unangemessenen Instandhaltungsstrategien und -bedingungen besteht, versucht die präskriptive Instandhaltung mit modernsten Entscheidungsprozessen verschiedene Datenquellen zu kombinieren und mit Data Science Methoden zur Verbesserung der Systemintelligenz, oder mit einer automatisierten Big Data Pipeline Cheng et al. (2018) und R. Ranjan (2014) die Instandhaltungskennzahlen zu verbessern. Der Fehler ist fehlendes Wissen, so dass das Konzept Knowledge Based Maintenance (KBM), ein Schlüsselfaktor für die digitale Transformation zur präskriptiven Instandhaltung sein kann. Das PriMa-Modell und seine Vier-Schritte-Methodik wurde schon von Ansari, Glawar, et al. (2019) angewendet und an einem praktischen Beispiel erprobt. Während das Paper die Methodik und den Ansatz im Detail beschreibt, geht es nicht im Detail darauf ein, wie man Problem 1 (P1) die Dateneingabe in das Data Warehouse, Problem 2 (P2) den Aufbau von Aggregatorfunktionen und vor allem den Umgang mit der Feedbackschleife zwischen der Knowledge-Base und dem Decision Support Dashboard Problem 3 (P3) lösen kann. Die genannten Fragen wurden in dieser Arbeit beantwortet, indem die Anforderungen von ODonovan et al. (2015) an den Datenerfassungsprozess umgesetzt und eine eigene Anforderungsliste für eine Data Warehouse Lösung (P1) vorgeschlagen wurde. Im nächsten Schritt wurden drei ML-Algorithmen, nämlich ein Random Forest (RF), ein Neural Network (NN) und ein Bayessches Netzwerk generiert und Minimum Working Examles bereitgestellt. Ihre späteren Ergebnisse wurden durch eine gewichtete Hybridfunktion (P2) aggregiert. Für die Wissenspipeline wurde ein Natural Language Processing (NLP)-Algorithmus verwendet, der einen Instandhaltungsbericht als Input verwendet und Substantive und Verben extrahiert. Diese werden dann gegen eine Ontologie Datenbank abgeglichen. Dies geschieht mit Hilfe von CBR, was hier mit SPARQL umgesetzt wurde. Zusammenfassend lässt sich sagen, dass die vorliegende Arbeit einen Beitrag zum Design und zur technischen Realisierung der Knowledge Pipeline im Rahmen der Instandhaltung leistet, indem sie technische Anforderungen analysiert und einen Proof of Concept-Demonstrator entwickelt.

Industry 4.0 creates a change in maintenance. Due to the rise of Cyber-Physical Production Systems (CPPS) and the availability of sensor data, maintenance was changed from descriptive to prescriptive maintenance. The Internet of Things (IoT), Data Science and Artifical Intelligence (AI) all play a vital role in the development of manufacturing technology. Predictive and prescriptive maintenance is expected to grow by approximately 39% to a total of, 10.96$B by 2022. Smart Manufacturing Leadership Coalition (SMLC) has also predicted that the following targets can be achieved by data driven analytics in smart manufacturing (1), 30% reduction in capital intensity, (2) up to 40% reduction in product cycle times, and (3) overarching positive impact across energy and productivity. Lueth K. et al. (2016) stated in their report that 79% of all decision makers of Original Equipment Manufacturers will see predictive and prescriptive maintenance as one of the most important applications in the next 1-3 years. In the area of prescriptive analytics the goal is to find the best course of action for a given problem, by using techniques like recommendation engines and neural networks for solving a problem. Those techniques can then be converted for use in maintenance. A rising demand for prescriptive maintenance, which offers decision support can be anticipated, while currently predictive maintenance mostly consists of inappropriate maintenance strategies and conditions. According to Cheng et al. (2018) and R. Ranjan (2014) state of the art decision-making processes combine different data sources with data science methods to either improve the system intelligence or establish an automated big data pipeline Cheng et al. (2018) and R. Ranjan (2014). The concept Knowledge Based Maintenance (KBM)9101112 is a key enabler for digital transformation to prescriptive maintenance. As stated by Ansari, Glawar, et al. (2019), the PriMa model and its four-step methodology have been introduced and an applied as part of a proof-of-concept study, however while the paper specifies the methodology and approach in detail, it does not go into detail on how to achieve problem 1 (P1) the data input into the data warehouse, problem 2 (P2) how to build aggregator functions and most importantly, how to handle the feedback loop between the Knowledge-Base and the Decision Support Dashboard problem 3 (P3). This works aims to design an automated PriMa model, specifically focusing on the knowledge pipeline from the textual data from maintenance reports to the recommendation of a solution for the problem identified in the report. These questions have been answered by looking into the requirements given by ODonovan et al. (2015) for the data ingest process and proposing an own requirement list for a data warehouse solution (P1). In the next step three machine learning (ML) algorithms, namely Hamilton Monte-Carlo (HMC), Random Forest (RF) and Neural Networks (NN) reasoning have been generated and minimum working examples provided. Their outputs later on have been aggregated by a weighted hybrid function (P2). For the knowledge pipeline a Natural Language Processing (NLP) algorithm was applied which uses maintenance reports and extracts nouns and verbs. Those than can be matched against an ontology by using case-based reasoning (CBR) with the help of SPARQL. To sum up, the present thesis contributes on design and technical realization of the knowledge pipeline in the context of maintenance by analyzing technical requirements and developing a proof of concept demonstrator.