Der Kunde ist ein führender, in den USA ansässiger, weltweit tätiger Hersteller professioneller Systeme wie kommerzielle Klimageräte, Split-Wärmepumpen und Split-Klimageräte. Das Unternehmen betreibt derzeit mehr als 100.000 HVAC- (Heizungs-, Lüftungs- und Klimaanlagen) und Wassererwärmungssysteme für seine Unternehmenskunden in aller Welt.
Herausforderung
Der Ausfall eines der vor Ort installierten HVAC- oder Wasserheizungssysteme kann schwerwiegende Auswirkungen auf den Betrieb von Unternehmenskunden haben. Im Falle eines Ausfalls sind Ersatzteile oder qualifizierte Techniker, die das Problem beheben könnten, nicht ohne weiteres verfügbar, was zu weiteren Ausfallzeiten und Verlusten führt. Unser Kunde wollte die Möglichkeit haben, Systemanomalien vorherzusagen und Wartungsanfragen oder Warnungen für sofortige Korrekturmaßnahmen zu automatisieren.
Lösung
Orion entwickelte und implementierte eine KI/ML-basierte IoT-Lösung, die Systemanomalien aufspüren und Abhilfemaßnahmen vorschlagen konnte. Die vor Ort installierten HLK- und Wasserheizungssysteme melden regelmäßig ihre Konfiguration und Sensormessungen an die Cloud und erzeugen dabei mehrere Gigabyte an Daten pro Tag. Die gesammelten Daten geben Aufschluss über den Zustand und die Leistung der Systeme und ihrer Komponenten, und die entwickelte Lösung nutzt diese Informationen, um Warnungen für eine vorausschauende Wartung auszulösen.
Das Orion-Team organisierte die von Tausenden von Sensoren empfangenen Daten, z.B. die Temperatur innerhalb und außerhalb eines Behältnisses, die Leistungsaufnahme / -abgabe, mit der ein System lief, die Wetterbedingungen und andere Informationen. Anschließend wendeten sie mathematische, statistische und Deep Machine Learning-Ansätze auf die organisierten Datensätze und geclusterten Systeme an, um Ausfälle, deren Schweregrad und Auswirkungen auf den Betrieb vorherzusagen.
Das Orion-Team wandte die folgenden Techniken an:
Dynamische Analyse: Das Verhalten jedes Geräts wurde mit seiner früheren Leistung und anderen ähnlichen Geräten verglichen. So konnten wir die Daten clustern und Geräte mit anomalem Verhalten identifizieren.
Korrelationsanalyse: Wir haben interne Messungen mit externen Messungen wie Temperatur, Luftfeuchtigkeit und mehr korreliert. So konnten wir Anomalien des Geräts in Bezug auf die externen Wetterbedingungen identifizieren.
Klassifizierungsanalyse: Wir identifizierten und kennzeichneten vergangene Ereignisse wie Alarme und Garantieansprüche anhand der entsprechenden Daten, die von den Sensoren zum selben Zeitpunkt gemessen wurden.
Maschinelles Lernen: Auf der Grundlage der obigen Analyse und der markierten Ereignisdaten wurden Deep Machine Learning-Algorithmen trainiert, um Alarme und Garantieansprüche vorherzusagen.
Auswirkungen
Orion identifizierte in zwei Monaten mehr als 200 potenziell fehlerhafte Systeme. Neben genauen Beobachtungen zu den Ausfällen lieferte unser Team dem Kunden eine detaillierte Analyse und Lösung. Wir wiesen auf Anomalien hin, wie z.B. ein HLK-System, das unnötigerweise mit voller Leistung läuft, und einen Warmwasserbereiter, der zu bestimmten Zeiten das Wasser nicht auf die erforderliche Temperatur bringen kann. Unsere Algorithmen wurden iterativ unter realen Bedingungen getestet und auf der Grundlage der Testergebnisse angepasst.
Schließlich wurde unsere Lösung von den Technikern vor Ort validiert, die die Systemprobleme auf der Grundlage unserer Empfehlungen behoben haben. Gegenwärtig wird unsere Lösung zur kontinuierlichen Überwachung eingesetzt. Infolgedessen sind die Systemausfälle drastisch zurückgegangen, da die meisten Probleme für eine vorausschauende Wartung gemeldet werden.
