Machine Learning in der Baumaschinenbranche

Baumaschinenhersteller
Neue Services in der Baumaschinenbranche durch Machine Learning

Gerade technische Unternehmen, wie in unserem Fall ein Hersteller von Baumaschinen- und geräten müssen stetig up to Date agieren und innovativ arbeiten. Unser Kunde im Speziellen muss die umfassenden Produktgruppen und Dienstleistungen, mehr als 50 Tochterunternehmen, über 140 Vertriebs- und Servicestationen sowie gut 12.000 Vertriebs- und Servicepartner weltweit in seiner (digitalen) Infrastruktur vereinen. Diese divergenten Bereiche reichen von Reparatur, Wartung, Teileaustausch, Vermietung bis hin zu Finanzierung. Ein digitales Konzept zur Unterstützung der Prozesse wurde mit Hilfe von modernster Machine Learning Algorithmen erfolgreich umgesetzt.

Die Aufgabe

Die Aufgabe bestand in der Konzeption und Umsetzung einer individuell angepassten digitalen Servicelösung, damit sich die Kunden und Vertriebspartner auf ihr Kerngeschäft konzentrieren und sich dadurch einen entscheidenden Wettbewerbsvorteil sichern können.
Der Kunde hat sich in der Vergangenheit mit der Kombination aus Produkt- und Dienstleistung eine Vorreiterstellung erarbeitet, welche weiter ausgebaut werden soll. Mithilfe von Machine Learning geht das Unternehmen einen innovativen Schritt in Richtung Zukunft. Durch den Einsatz von Machine Learning Technologien wurden bestehende Daten analysiert und Geschäfts- und Produktionsprozesse optimiert.

Das Ziel

Gleich von Beginn der Zusammenarbeit hat es ein gutes Understanding gegeben, was Innovation und Zielsetzung betrifft. Eine straffe Timeline hat beiderseits, unser Team und die zuständigen Mitarbeiter unseres Kunden, zu Höchstleistungen angespornt. Geprägt von viel Teamwork war es eine spannende und produktive Zusammenarbeit. Mit einer detaillierten Konzeption wurden die Ziele schon hoch gesteckt.

Digitale Erweiterung

Baumaschinen müssen verlässlich einer fachkundigen Wartung unterzogen werden, um die Erhaltung ihrer vollen Funktionsfähigkeit und Betriebssicherheit sicherzustellen. Denn kommt es zu Maschinenausfällen bedeutet dies enorm hohe Kosten, da meist die gesamte Servicekette betroffen ist und ein teurer Einsatz von Servicepersonal vor Ort notwendig ist. Um eine Reduzierung von Wartungszeiten und damit natürlich eine Einsparung von Kosten zu erreichen, entwickelten wir eine Lösung zur Vereinfachung der Maschinenwartung. Unter Berücksichtigung der unterschiedlichen Service- und Wartungsszenarien haben wir ein digitales Konzept geformt, das jedem Mitarbeiter ermöglicht, direkt auf der Baustelle, sogar ohne Vorkenntnisse und Wissen über die Maschine, eine Wartung durchzuführen.

Ergebnis und Vorteile
Der erste wichtige Schritt war die Erkennung von Maschinen anhand der Seriennummer, die auf den Geräte-Plaketten platziert ist. Durch den Einsatz einer OCR-Lösung konnten zwar die unterschiedlichen Zeichenfolge auf den Plaketten erkannt bzw. ausgelesen werden, jedoch war es zu diesem Zeitpunkt noch nicht erkennbar bei welcher ausgelesenen Zeichenfolge es sich um die Seriennummer handelt.
Machine Learning als Schlüssel zum Erfolg

Der spannende Teil der Umsetzung hat damit begonnen. Es gab viele unterschiedliche Plaketten, Modelle, Typen und mehrere Sprachen. Ein erster Algorithmus war notwendig, um die gesammelten Daten zu analysieren und klassifizieren. Dieser filtert erstmal strikt Jahreszahlen, doppelte Werte oder auch bekannte wissenschaftliche Einheiten, wie Watt, kW etc. heraus und entfernt sie. Die restlichen Daten werden dann aufgrund der Länge sortiert, um so eine hohe Erkennungsrate der Seriennummer zu erzielen.

Im zweiten Schritt erfolgte die Optimierung. Aufbauend auf den Zusammenhängen und Abhängigkeiten zwischen den Daten und durch den Einsatz von Machine Learning entstand ein intelligentes Erkennungssystem. Um das zu erreichen haben wir den Algorithmus von Schritt 1 verwendet und um einen Evaluator erweitert. Dieser wurde in 4 Module gegliedert:

machine learning in der baubranche

Tatsächlich ändert sich der Algorithmus nicht durch die Modularisierung, er wird dadurch nur einfacher zu bedienen. Der Evaluator verwendet die Liste der OCR-Scan-Elemente sowie Listen von Processors, Validators, Classifiers und einen Comparator.

Jedes Element, das vom Evaluator verwendet wird, durchläuft jede Stufe des nachfolgenden Prozess:

1
Pre-Process
2
Validating
3
Post-Processing
4
Classification
5
Comparing and sorting

Da davon ausgegangen werden kann, dass die ausgelesenen Datenelemente das widerspiegeln, was auf der Plakette abgebildet wird, müssen diese zu Beginn nicht verarbeitet werden. Stattdessen werden sie durch den Validator geschickt. Jedes einzelne Datenelement wird einer Gewichtung unterzogen. Danach werden die Daten durch den Prozessor ex-post verarbeitet, welcher jene Zeichen aus den Elementen entfernt, die nicht in der Seriennummer enthalten sein können.
Die verarbeiteten und gewichteten Daten werden dann anhand von unterschiedlichen Kriterien klassifiziert. Somit ist der Classifier das einzige Modul, das entscheidet, ob es sich beim Datenelement um eine Seriennummer handelt oder nicht. Schließlich werden im Comparator die Elemente nach Gewichtung sortiert. Elemente, die Seriennummer sein können, werden vor denen gereiht, die nicht als Seriennummer klassifiziert wurden. Durch die Verarbeitung und Analyse der gescannten Daten in der Cloud, kann das System mit jedem Scan die Gegebenheiten der Geräte-Plakette automatisch lernen und die erkannten Daten intelligent zuordnen. Wir erreichen damit eine enorm hohe Trefferquote von über 98%, die sich wiederum sehr positiv auf die Customer Experience in den mobilen Services auswirkt.

Ausblick und Zukunft
Predictive Maintenance

Durch Analyse und Auswertung von Machinen- und Sensordaten können mit Machine Learning Algorithmen entwickelt werden, die auf Fehlfunktionen oder einen möglichen Ausfall von Teilen hinweisen. Auf diese Weise können Maschinen serviciert und repariert werden, noch bevor ein Schaden entsteht.

Auswertung von Daten

Früher wurde die Qualität von Produkten am Ende des Produktionsprozesses überprüft. Durch den Einsatz von IoT- und Sensortechnik und durch die kontinuierliche Auswertung von Daten auf Bauteilebene kann die Qualität von Werkteilen während des laufenden Betriebs überprüft und sichergestellt werden.