Abstract
Beim Vortrieb eines Tunnels mit einer Tunnelvortriebsmaschine der Herrenknecht AG wurde ein ungewöhnlich hoher Verschleiß an den Kreiselpumpen festgestellt. Die Konsequenzen waren ungeplante Ausfälle, aufwendige Wartungsarbeiten und hohe Kosten. Um die Planbarkeit der Instandhaltung zu verbessern, wurde ein Machine-Learning-Modell entwickelt, das den Zustand der Pumpen analysiert und die Ausfallwahrscheinlichkeit prognostiziert.
Das Modell basiert auf einem Neuronalen Netz, das zwischen „guter“ und „schlechter“ Pumpe differenziert. Dadurch lässt sich die Ausfallwahrscheinlichkeit einzelner Pumpen modellieren und die Instandhaltungen frühzeitig planen. Die Anwendung des Modells hätte im betrachteten Tunnelbauprojekt eine theoretische Reduzierung der Ausfallzeiten um 103 Stunden ermöglicht. Zudem zeigt die Analyse von Wartungsprotokollen, dass der Ansatz auf andere Pumpen desselben Typs übertragbar ist. Künftig soll das Modell direkt vom Baustellenpersonal genutzt werden, um fundierte Wartungsentscheidungen zu treffen und unnötige Stillstandszeiten zu vermeiden. Ein nächster Schritt ist die Integration geologischer Einflussfaktoren, um die Prognosegenauigkeit weiter zu verbessern.
Maximilian Müllerleile, Herrenknecht
Maximilian Müllerleile ist Entwicklungsingenieur im Team Data Science bei der Herrenknecht AG. Nach seinem Studium des Wirtschaftsingenieurwesens mit Schwerpunkt Künstliche Intelligenz und Maschinelles Lernen an der Hochschule in Furtwangen wurde er nach erfolgreichem Abschluss seiner Masterarbeit zu dem Thema, das er präsentieren wird, fest in das Team übernommen. Zu seinen Kernaufgaben gehört die Vorhersage der Ausfallwahrscheinlichkeit von Kreiselpumpen auf Tunnelvortriebsmaschinen.