Success Story

Lesedauer: 3 min

Energy & Utilities

Predictive Quality

Predictive Maintenance

Anomaly Detection

Kontext

Unser Kunde ist der führende Anbieter von Heizungsinfrastruktur für mehr als 2 Millionen Bewohner in einer der größten europäischen Hauptstädte. Allerdings stand nur eine begrenzte Anzahl von Mitarbeitern für Inspektions- und Wartungsarbeiten zur Verfügung. Das Unternehmen verfügte über ein automatisches Warnsystem, das jedoch nicht über die Dringlichkeit des Problems informierte. Hinzu kamen mögliche Fehlalarme, denen jedoch nachgegangen werden musste. Demnach mussten die Mitarbeiter jedes Mal ihre laufenden Wartungs- und Inspektionsarbeiten unterbrechen. Dies war stressig und mühsam, zumal das Inspektions- und Wartungsteam nur über begrenzte Ressourcen verfügte.

Herausforderung

Im Rahmen eines Proof of Concept (PoC) galt es, drei zentrale Fragen zu klären:

  1. Können Störungen und deren Art zuverlässig vorhergesagt werden?

  2. Wenn ja, wie weit im Voraus?

  3. Wann muss eine laufende Wartung unterbrochen werden, um eine größere Störung oder Warnung zu untersuchen?

Eine zusätzliche Herausforderung war die Umwandlung der Mitarbeiteranmerkungen in standardisierte Informationen, die für die Entwicklung des Vorhersagemodells genutzt werden konnten.

Auftrag

Unsere Aufgabe bestand darin, ein Modell (A) zu entwickeln, das vorhersagt, ob innerhalb eines festgelegten Zeitfensters eine Störung auftreten wird. Dieses Zeitfenster variierte zwischen 1 Tag und 1 Monat. Ein zweites Modell (B) sollte die genaue Art der Störung vorhersagen, falls Modell A eine hohe Wahrscheinlichkeit für das Auftreten einer Störung prognostizierte.

Lösung

Modell A ist ein rekurrentes neuronales Netz (LSTM), das eine Zeitspanne (d.h. die Daten der letzten X Stunden) aufnimmt, um vorherzusagen, ob in den nächsten Y Stunden oder Tagen eine Störung auftreten wird. Modell B war ein Gradient-Boosting Tree-Ensemble zur Vorhersage der Art der Störung (in Bezug auf die Priorität der Warnmeldung).

Für die Lösung, die Störungen im Zeitraum von sieben Tagen bis zu einem Monat vorhersagt und automatisch meldet, haben wir TensorFlow, Gradient-Boosting-Trees, Pandas und Scikit-Learn verwendet.

Mit craftworks war es einfach und unkompliziert. Nach einem ersten Gespräch konnten wir innerhalb kurzer Zeit ein Projekt starten. Während die Datenwissenschaftler von craftworks uns dabei unterstützten, wertvolle Schlussfolgerungen aus unseren Daten zu ziehen, ermöglichte die enge Zusammenarbeit mit ihren Domain-Experten innerhalb eines Monats schnelle Ergebnisse zu erzielen.

Stefan Kermer

Wien Energie, Leiter der Abteilung Innovation und strategische Projekte

Wien Energie customer black logo
three male team members of craftworks at a meeting table looking at laptops and working

Successful growth is a decision. Driven by data.

Wie können wir Ihnen weiterhelfen?