Statistische Methoden zielsicher und gewinnbringend einsetzen – darauf lag der Fokus im Wahlfach „Angewandte Statistik“ im Studiengang Wirtschaftsingenieurwesen. Besprochen wurden dabei nicht nur die z.B. für die Qualitätssicherung so wichtigen Hypothesentests und die richtige Durchführung und Planung dieser Tests, sondern auch allgemeine Beispiele aus der Welt der Statistik, die mit verblüffenden Effekten aufwarten kann. Abschließend führten die Studierenden mit Hilfe der Programmiersprache Python eine statistische Datenanalyse mit Fokus auf eine vorausschauende Wartungslösung durch.
Zu Beginn der Woche wurden verschiedene Fälle von Hypothesentests und deren Eigenschaften besprochen und auf konkrete Problemstellungen angewandt. An diesen wurde der Effekt der Stichprobengröße auf Fehler 1. und 2. Art sowie das daraus resultierende Konsumenten- und Produzentenrisiko deutlich gemacht.
An einem konkreten Klassifizierungsproblem wurden dann Visualisierungs- und Analysemethoden der statistischen Datenauswertung besprochen, inbesondere eine Korrelationsanalyse sowie verschiedene statistische Classifiers. Diese wurden dann von den Studierenden mit Hilfe eines Python-Skripts auf eine konkrete Problemstellung aus dem Bereich Predictive Maintenance, d.h. der vorausschauenden Instandhaltung angewendet.
In der Praxis wird bereits seit Jahren das Modell der Total Care (http://www.zephram.de/blog/geschaeftsmodellinnovation/beispiel-servitization/) von Rolls Royce erfolgreich umgesetzt. Das beschriebene Modell ist vielschichtig, basiert aber im Kern wesentlich auf (Echtzeit-)Analyse von Messdaten aus den hergestellten Triebwerken. Diese Idee wurde in einer Fallstudie aufgegriffen.
In dieser wurden Triebwerke nach einem vordefinierten Intervall zur Wartung gerufen. Diesen Ansatz galt es mittels Einsatzes diverser Sensoren durch eine statistische Datenanalyse zu verbessern. Dazu kam ein frei zugänglicher Datensatz (Quelle: NASA) zum Einsatz, in dem die Lebensdauer von Triebwerken untersucht wurde. Ziel war, eine Wartung anhand der Sensordaten eine vorgegebene Zeit vor dem Ausfall zur Wartung zu rufen (rote Linie im Bild unten). Dazu steht ein Trainings-Datensatz zur Verfügung, anhand dem ein Modell optimiert wird. Der Erfolg dieses Modells wird dann an einem Test-Datensatz überprüft.
Die vordefinierten Wartungsintervalle ergeben sich aus der Verteilung der Lebensdauer und der Vorgabe, möglichst keine ungeplanten Stillstände zu erhalten (orange Linie). Allerdings führt dieser Ansatz dazu, dass viele Triebwerke zu oft gewartet werden und damit unnötige Kosten verursacht, manche Triebwerke werden gar zu spät gewartet.
Die Aufgabe der Studierenden war nun, diesen Ansatz mittels statistischer Datenanalyse zu verbessern und insbesondere die Anzahl der Sensoren sowie die statistischen Classifier so zu optimieren, dass sich ein ökonomischerer Ansatz für die Wartung ergibt. Mittels einer logistischen Regression und dem Einsatz von nur 7 Sensoren  gelang es den Studierenden (trotz relativ hoch angenommenen Kosten für die Sensoren), ein Einsparpotential von über 11% gegenüber den vordefinierten Wartungsintervallen zu realisieren.