Ausgangssituation und Problemstellung

Eine hohe Verfügbarkeit und möglichst lange Nutzung technischer Systeme sind zentrale Voraussetzungen, um Produktivität zu sichern und gleichzeitig den Ressourcenbedarf im Maschinen- und Anlagenbau zu reduzieren. Hierfür müssen Ausfälle frühzeitig erkannt sowie Wartung, Ersatzteilbereitstellung und Wiederverwendung vorausschauend über den Lebenszyklus geplant werden. Etablierte Methoden wie die Fehlermöglichkeits- und Einflussanalyse (FMEA) basieren überwiegend auf Erfahrungswissen und statischen Annahmen während der Entwicklungsphase und können dynamische Betriebsbedingungen und Alterung nur begrenzt berücksichtigen. Gleichzeitig stehen in Unternehmen zunehmend Betriebs-, Zustands- und Wartungsdaten zur Verfügung. Übertragbare Ansätze, die diese Daten mit dem Systemverständnis verknüpfen und für belastbare Fehler- und Lebensdauerprognosen sowie eine ressourceneffiziente Lebenszyklusplanung nutzbar machen fehlen jedoch bisher.

Ziel des Kooperationsprojekts RELiANT ist die Entwicklung einer übertragbaren Methodik zur datenbasierten Fehler- und Lebensdauerprognose technischer Systeme. Reale Betriebs-, Zustands-, Fehler- und Wartungsdaten sollen genutzt werden, um Degradationsverläufe und Ausfallwahrscheinlichkeiten unter unterschiedlichen Nutzungs- und Umgebungsbedingungen zu modellieren und zu verbessern. Hierzu werden im Projekt adaptive Prognosemodelle entwickelt und mit Systemmodellen verknüpft. Die Ergebnisse sollen unmittelbar für Entscheidungen zur Wartung, Ersatzteilbereitstellung, Systemanpassung und Wiederverwendung nutzbar werden. Zwei industrielle Pilotprojekte sowie ein projektinterner Demonstrator dienen der Entwicklung und Validierung der Ansätze. Die gewonnenen Erkenntnisse werden abschließend in einem praxisorientierten Leitfaden für den industriellen Transfer zusammengeführt.

Das Kooperationsprojekt RELiANT verbindet modellbasiertes Systemverständnis mit realen Lebenszyklusdaten und datengetriebenen Prognoseverfahren. Zunächst werden Funktionen, Strukturen und Wirkzusammenhänge der betrachteten Systeme mittels MBSE formal beschrieben und mit Betriebs-, Fehler- und Wartungsdaten verknüpft. Darauf aufbauend werden Verfahren des maschinellen Lernens und der statistischen Lebensdaueranalyse und -prognose eingesetzt, um Ausfallwahrscheinlichkeiten und Restlebensdauern zu prognostizieren. Transfer Learning unterstützt die Übertragung von Prognosewissen auf ähnliche Anwendungen, während Explainable-AI-Methoden die Nachvollziehbarkeit der Ergebnisse sicherstellen. Die Modelle werden anhand eines Demonstrators und zweier industrieller Pilotanwendungen erprobt. Prognoseergebnisse werden anschließend in konkrete Maßnahmen zur Fehlervermeidung, Instandhaltung, Ersatzteilbereitstellung und Wiederverwendung überführt. Dadurch entsteht ein durchgängiger Ansatz von der System- und Datenanalyse bis zur ressourceneffizienten Lebenszyklusentscheidung.