Ungeplante Ausfälle von Maschinen können teuer sein und manchmal katastrophale Auswirkungen haben. Um solche Ausfälle zu vermeiden, setzt man immer häufiger Systeme ein, die Maschinenzustand und Maschinenverhalten ständig überwachen. Solche Condition-Monitoring-Systeme liefern aktuelle Zustandsindikatoren, zeigen fehlerhaftes Verhalten an, und können sogar ein Vorhersage darüber machen, wie lange eine Anlage noch fehlerfrei arbeiten wird (remaining useful life). Dies ist heute möglich aufgrund der schnellen Entwicklung von Sensortechnologie, Datenerfassung und intelligenter Analysetools.

Im Smart-Maintenance-Team des IDP entwickeln wir zusammen mit Partnern aus verschiedenen Sektoren der Industrie und der öffentlichen Hand neue und innovative Datenanalyse-Tools zur Fehlerdetektion, Fehlerdiagnose und Zustandsprognose. Ein wichtiger Einsatzbereich dieser Tools ist die Optimierung der Instandhaltung, so dass die Fehlerhäufigkeit gesenkt und die Kosten reduziert werden können. Unsere Smart-Maintenance-Algorithmen verwenden Methoden aus der statistischen Datenanalyse, des Machine Learnings und der künstlichen Intelligenz, oft in Kombination mit technisch-physikalischen Modellen.

• Entscheidungsunterstützungssystem zur vorausschauenden Wartung von Laserschneidanlagen
  Wir entwickeln ein neues datenbasiertes Entscheidungsunterstützungssystem für vorausschauende Instandhaltung von Laserschneidmaschinen, mit verschiedenen Softwaremodulen die im IoT System von Bystronic integriert werden.
• Machine-Learning basierte Fehlererkennung für Windkraftanlagen
  Wir entwickeln intelligente Machine-Learning-Algorithmen zur Fehlererkennung und vorausschauenden Instandhaltung von kritischen Komponenten von Windturbinen.
• Zustandsbasierte Instandhaltung zum effizienten Betrieb von Hochsee-Schiffen
  Entwicklung eines Softwaremoduls für zustandsorientierte Optimierung der Instandhaltungsplanung bei Hochseeschiffen