09.01.2023, 12:10
Lernen ohne zu warten oder wenn die Genügsamkeit in die vorausschauende Wartung einzieht.
Nathan Gain 4. Januar, 2023
FOB 'französisch)
Eine Panne dank vorausschauender Wartung vorhersehen, das ist einer der Gralsbeweise der Unterstützungsdienste der französischen Armeen. Der Haken an der Sache? Das Konzept, so wie es bisher konzipiert wurde, setzt voraus, dass man einen Berg von Daten anhäuft. Anstatt jahrzehntelang auf die Ergebnisse zu warten, arbeiten einige Mitarbeiter von Nexter an einem neuen Ansatz, bei dem Schnelligkeit mit Sparsamkeit einhergeht.
Die Grenzen der militärischen vorausschauenden Wartung
Das Militär und die Rüstungsindustrie arbeiten schon seit einiger Zeit an der vorausschauenden Wartung. Die Fähigkeit, die Lebensdauer eines Teils vorherzusagen, führt zu großen Fortschritten bei der Flottenverwaltung, der Optimierung von https://www.forcesoperations.com/apprend...ungsplänen, der Verfügbarkeit und der Senkung der Betriebskosten.
In der Industrie gibt es mehrere Ansätze. Der erste, datengetriebene Ansatz besteht darin, über eine Galaxie von Bordsensoren (oder HUMS) ein Maximum an Informationen zu sammeln, um daraus mithilfe von künstlicher Intelligenz (KI) und maschinellem Lernen "Signaturen" von Fehlern in Verbindung mit technischen Fakten zu erstellen.
Diesen sogenannten "datengetriebenen" Ansatz hat Nexter zwischen 2019 und 2021 auf 40 VBCI mit dem Programm ERMES (intEgration pour le Recueil, la Maîtrise et l'Exploitation de donnéesS - Integration für die Sammlung, Beherrschung und Auswertung von Daten) erprobt. Die Ergebnisse dieses Experiments haben es Nexter ermöglicht, die Reife zu steigern und so die wenigen verwertbaren Daten und die Schwierigkeit, diese mit den technischen Fakten zu korrelieren, aufgrund des zeitlichen Unterschieds zwischen den beiden Elementen, hervorzuheben. Wenn man nur von Daten ausgeht, würde es außerdem Jahre dauern, bis man eine glaubwürdige KI entwickeln könnte. Ein weiterer Punkt, der in den Augen des Industriellen einer der wichtigsten ist, ist das "anarchische Nutzungsprofil der Fahrzeuge", das es unmöglich macht, ein Alterungsprofil zu erstellen. Anders als das Auto eines jeden Bürgers wird ein Militärfahrzeug zwischen verschiedenen Terrains, Klimazonen und Nutzungsintensitäten hin und her geschoben.
Die Nexter-Teams gaben nicht auf, sondern versuchten einen zweiten Ansatz, der als "model driven" bezeichnet wird und auf "multiphysikalischer Modellierung" beruht. Mit anderen Worten: Er beruht auf der Erstellung eines Modells, das anschließend mit historischen Daten gefüttert wird. Diese erste Bibliothek ist das Ergebnis eines Experiments mit dem Leclerc-Panzer. Wenn die beiden Teile zusammengeführt werden, "ermöglichen sie es, ein erstes Alterungsmodell zu erstellen, das interessante Ergebnisse geliefert und unser Verständnis vorangebracht hat".
Aber was bei einem Panzer, der seit 30 Jahren im Einsatz ist, denkbar ist, "funktioniert nicht" bei SCORPION-Fahrzeugen, die - im Fall des Griffon - erst Ende 2019 in Dienst gestellt werden. Nicht nur ist das Datenpanel sehr begrenzt, sondern es ist auch undenkbar, Jahrzehnte zu warten, um es zu vervollständigen und einen ausgereiften Wartungsbaustein zu erhalten. Hier kommt der Begriff der Frugalität ins Spiel, ein neuer Ansatz, "bei dem man weiß, was man sucht, um es zu finden", und der es ermöglicht, einen Vorhersagealgorithmus aus einer begrenzten Datenmenge zu erstellen. Diese sogenannte frugale Methode existiert bereits und wird in einigen zivilen Bereichen, darunter auch im medizinischen Sektor, eingesetzt. Nun musste sie nur noch auf das Militär übertragen werden.
Eine Methode zum "Lernen ohne zu warten".
Anstatt die Überwachung auf alle Funktionen eines Fahrzeugs auszudehnen, wird die frugale vorausschauende Wartung zunächst auf die kritischsten Funktionen abzielen. Dies ist z. B. bei der Stromverteilung der Fall, ohne die weder das Fahrzeug noch die Bordsysteme funktionieren. In einem zweiten Schritt geht es darum, die gefürchteten Elemente zu analysieren, z. B. eine ausgefallene Batterie oder Lichtmaschine, und Verschleißindikatoren zu definieren.
Bis dahin gibt es nichts wirklich Neues. Die Sparsamkeit zeigt sich im dritten Schritt des Prozesses, wenn es darum geht, ein Fahrzeug mit funktionalen und dysfunktionalen Tests zu charakterisieren. Sobald diese Fehler identifiziert und "durchgespielt" sind, wird es möglich, theoretische Alterungsmodelle mit praktischen Modellen zu verbinden und so die realistischsten Vorhersagegesetze zu schaffen, die es gibt. Menschliches Fachwissen, Modellierung und maschinelles Lernen (ML) sind ebenfalls zentrale Elemente dieses Ansatzes.
Das Vorhaben könnte in Verbindung mit dem Programm Artemis.IA des französischen Militärministeriums durchgeführt werden. Diese Plattform, die dem von Thales und Atos gebildeten Joint Venture Athea anvertraut wurde, soll die französischen Streitkräfte mit einer souveränen Lösung für massive Datenverarbeitung und KI ausstatten. Die Industrie ist bereits in die Schleife eingebunden, da Artemis.IA auch dazu führen soll, dass der Staat ein Softwareentwicklungskit zur Verfügung stellt, d. h. digitale Werkzeuge, mit denen KI durchgeführt werden kann.
Die daraus hervorgehenden Algorithmen können nach nur wenigen Monaten der Entwicklung über kurze, iterative Schleifen in einem Park eingesetzt werden. Dann kann die Auswertung der Daten beginnen, unterstützt durch die Einrichtung einer tugendhaften Schleife der kontinuierlichen Verbesserung. Dank seiner Genügsamkeit, d. h. auf der Grundlage eines begrenzten Datenpakets, könnte ein solches Tool laut Nexter innerhalb von drei Jahren einsatzbereit sein.
Die Absatzmöglichkeiten sind zweierlei Art. In der eingebetteten Version "besteht die Idee darin, Entscheidungs- oder Fahrhilfen zu geben". Nexter stellt sich dafür eine vereinfachte Mensch-Maschine-Schnittstelle vor, zum Beispiel auf der Grundlage eines universellen Farbcodes, bei dem die rote Farbe ihre Warnfunktion beibehält. Bei den Landungen wird die vorausschauende Wartung darauf abzielen, alle Daten einer Flotte zu erfassen, um die verschiedenen Modelle kontinuierlich zu verbessern.
Die frugale Methode wird derzeit in den europäischen Projekten FAMOUS 1 und 2 umgesetzt. Sie könnte auch für die Pre-Design-Phase des zukünftigen VBAE vorgeschlagen werden. Während Griffon und Jaguar über den Zusatz 4 des EBMR-Vertrags derzeit an die datengetriebene Methode gebunden sind, könnten diese Parks eines Tages in Partnerschaft mit den anderen Industrieunternehmen der GME SCORPION, Arquus und Thales, in das frugale Zeitalter wechseln. Die gleiche Logik könnte dann auch auf den CAESAR Mk II und in weiterer Folge auf den Leclerc-Panzer und das leichte Serval VBMR ausgedehnt werden.
Nathan Gain 4. Januar, 2023
FOB 'französisch)
Eine Panne dank vorausschauender Wartung vorhersehen, das ist einer der Gralsbeweise der Unterstützungsdienste der französischen Armeen. Der Haken an der Sache? Das Konzept, so wie es bisher konzipiert wurde, setzt voraus, dass man einen Berg von Daten anhäuft. Anstatt jahrzehntelang auf die Ergebnisse zu warten, arbeiten einige Mitarbeiter von Nexter an einem neuen Ansatz, bei dem Schnelligkeit mit Sparsamkeit einhergeht.
Die Grenzen der militärischen vorausschauenden Wartung
Das Militär und die Rüstungsindustrie arbeiten schon seit einiger Zeit an der vorausschauenden Wartung. Die Fähigkeit, die Lebensdauer eines Teils vorherzusagen, führt zu großen Fortschritten bei der Flottenverwaltung, der Optimierung von https://www.forcesoperations.com/apprend...ungsplänen, der Verfügbarkeit und der Senkung der Betriebskosten.
In der Industrie gibt es mehrere Ansätze. Der erste, datengetriebene Ansatz besteht darin, über eine Galaxie von Bordsensoren (oder HUMS) ein Maximum an Informationen zu sammeln, um daraus mithilfe von künstlicher Intelligenz (KI) und maschinellem Lernen "Signaturen" von Fehlern in Verbindung mit technischen Fakten zu erstellen.
Diesen sogenannten "datengetriebenen" Ansatz hat Nexter zwischen 2019 und 2021 auf 40 VBCI mit dem Programm ERMES (intEgration pour le Recueil, la Maîtrise et l'Exploitation de donnéesS - Integration für die Sammlung, Beherrschung und Auswertung von Daten) erprobt. Die Ergebnisse dieses Experiments haben es Nexter ermöglicht, die Reife zu steigern und so die wenigen verwertbaren Daten und die Schwierigkeit, diese mit den technischen Fakten zu korrelieren, aufgrund des zeitlichen Unterschieds zwischen den beiden Elementen, hervorzuheben. Wenn man nur von Daten ausgeht, würde es außerdem Jahre dauern, bis man eine glaubwürdige KI entwickeln könnte. Ein weiterer Punkt, der in den Augen des Industriellen einer der wichtigsten ist, ist das "anarchische Nutzungsprofil der Fahrzeuge", das es unmöglich macht, ein Alterungsprofil zu erstellen. Anders als das Auto eines jeden Bürgers wird ein Militärfahrzeug zwischen verschiedenen Terrains, Klimazonen und Nutzungsintensitäten hin und her geschoben.
Die Nexter-Teams gaben nicht auf, sondern versuchten einen zweiten Ansatz, der als "model driven" bezeichnet wird und auf "multiphysikalischer Modellierung" beruht. Mit anderen Worten: Er beruht auf der Erstellung eines Modells, das anschließend mit historischen Daten gefüttert wird. Diese erste Bibliothek ist das Ergebnis eines Experiments mit dem Leclerc-Panzer. Wenn die beiden Teile zusammengeführt werden, "ermöglichen sie es, ein erstes Alterungsmodell zu erstellen, das interessante Ergebnisse geliefert und unser Verständnis vorangebracht hat".
Aber was bei einem Panzer, der seit 30 Jahren im Einsatz ist, denkbar ist, "funktioniert nicht" bei SCORPION-Fahrzeugen, die - im Fall des Griffon - erst Ende 2019 in Dienst gestellt werden. Nicht nur ist das Datenpanel sehr begrenzt, sondern es ist auch undenkbar, Jahrzehnte zu warten, um es zu vervollständigen und einen ausgereiften Wartungsbaustein zu erhalten. Hier kommt der Begriff der Frugalität ins Spiel, ein neuer Ansatz, "bei dem man weiß, was man sucht, um es zu finden", und der es ermöglicht, einen Vorhersagealgorithmus aus einer begrenzten Datenmenge zu erstellen. Diese sogenannte frugale Methode existiert bereits und wird in einigen zivilen Bereichen, darunter auch im medizinischen Sektor, eingesetzt. Nun musste sie nur noch auf das Militär übertragen werden.
Eine Methode zum "Lernen ohne zu warten".
Anstatt die Überwachung auf alle Funktionen eines Fahrzeugs auszudehnen, wird die frugale vorausschauende Wartung zunächst auf die kritischsten Funktionen abzielen. Dies ist z. B. bei der Stromverteilung der Fall, ohne die weder das Fahrzeug noch die Bordsysteme funktionieren. In einem zweiten Schritt geht es darum, die gefürchteten Elemente zu analysieren, z. B. eine ausgefallene Batterie oder Lichtmaschine, und Verschleißindikatoren zu definieren.
Bis dahin gibt es nichts wirklich Neues. Die Sparsamkeit zeigt sich im dritten Schritt des Prozesses, wenn es darum geht, ein Fahrzeug mit funktionalen und dysfunktionalen Tests zu charakterisieren. Sobald diese Fehler identifiziert und "durchgespielt" sind, wird es möglich, theoretische Alterungsmodelle mit praktischen Modellen zu verbinden und so die realistischsten Vorhersagegesetze zu schaffen, die es gibt. Menschliches Fachwissen, Modellierung und maschinelles Lernen (ML) sind ebenfalls zentrale Elemente dieses Ansatzes.
Das Vorhaben könnte in Verbindung mit dem Programm Artemis.IA des französischen Militärministeriums durchgeführt werden. Diese Plattform, die dem von Thales und Atos gebildeten Joint Venture Athea anvertraut wurde, soll die französischen Streitkräfte mit einer souveränen Lösung für massive Datenverarbeitung und KI ausstatten. Die Industrie ist bereits in die Schleife eingebunden, da Artemis.IA auch dazu führen soll, dass der Staat ein Softwareentwicklungskit zur Verfügung stellt, d. h. digitale Werkzeuge, mit denen KI durchgeführt werden kann.
Die daraus hervorgehenden Algorithmen können nach nur wenigen Monaten der Entwicklung über kurze, iterative Schleifen in einem Park eingesetzt werden. Dann kann die Auswertung der Daten beginnen, unterstützt durch die Einrichtung einer tugendhaften Schleife der kontinuierlichen Verbesserung. Dank seiner Genügsamkeit, d. h. auf der Grundlage eines begrenzten Datenpakets, könnte ein solches Tool laut Nexter innerhalb von drei Jahren einsatzbereit sein.
Die Absatzmöglichkeiten sind zweierlei Art. In der eingebetteten Version "besteht die Idee darin, Entscheidungs- oder Fahrhilfen zu geben". Nexter stellt sich dafür eine vereinfachte Mensch-Maschine-Schnittstelle vor, zum Beispiel auf der Grundlage eines universellen Farbcodes, bei dem die rote Farbe ihre Warnfunktion beibehält. Bei den Landungen wird die vorausschauende Wartung darauf abzielen, alle Daten einer Flotte zu erfassen, um die verschiedenen Modelle kontinuierlich zu verbessern.
Die frugale Methode wird derzeit in den europäischen Projekten FAMOUS 1 und 2 umgesetzt. Sie könnte auch für die Pre-Design-Phase des zukünftigen VBAE vorgeschlagen werden. Während Griffon und Jaguar über den Zusatz 4 des EBMR-Vertrags derzeit an die datengetriebene Methode gebunden sind, könnten diese Parks eines Tages in Partnerschaft mit den anderen Industrieunternehmen der GME SCORPION, Arquus und Thales, in das frugale Zeitalter wechseln. Die gleiche Logik könnte dann auch auf den CAESAR Mk II und in weiterer Folge auf den Leclerc-Panzer und das leichte Serval VBMR ausgedehnt werden.