relayr optimiert die Wartung von Fahrstühlen mit Azure Machine Learning und IoT

Die Herausforderung: Aufwand für die zeit- und kostenintensive Aufzugwartung reduzieren

Als Vorreiter im Bereich Digitalisierung und Industrial Internet of Things (IIoT) baut relayr schon seit seiner Gründung 2013 auf die Power der Cloud, um Sensordaten vernetzter Geräte zu sammeln und auszuwerten. Das einstige Startup ist heute auf rund 300 Beschäftigte angewachsen, darunter 150 Ingenieur*innen und mehr als 10 Data Scientists. An sie übermitteln rund 50.000 vernetzte Geräte unterschiedlicher Kundenunternehmen ca. 100 Millionen Sensordaten pro Tag. Diese dienen der laufenden Überwachung der IIoT-Umgebungen. Gleichzeitig trainieren relayrs Datenwissenschaftler*innen damit ihre Machine Learning-Modelle (ML) laufend weiter, um die Präzision der KI-Analysen und -Vorhersagen zu erhöhen.

Das steigende Auftrags- und Datenvolumen brachte die einst gewählte Cloud-Architektur jedoch an ihre Grenzen: Gestartet war relayr mit Provider-unabhängigen, selbst geschriebenen Microservices. „Das ist auf Dauer nicht nachhaltig für ein Unternehmen unserer Größe“, sagt Dr. Nico Wintergerst, als Staff AI Research Engineer und Mitarbeiter im Office of the CTO (Chief Technology Officer) verantwortlich für projektübergreifende Analytics- und KI-Aufgaben bei relayr. Denn für die hauseigenen Microservices mussten relayrs Data Scientists viel Code schreiben und die ML-Modelle auf ihren Notebooks selbst zusammenstellen. „Unser CTO-Office, aber auch die Data Scientists erkannten: Wir müssen von diesem Ansatz wegkommen“, erzählt Dr. Wintergerst. „Denn die Zeit bis zur ersten Wertschöpfung in Projekten ist zu lang. Wir brauchen skalierbare Lösungen und müssen lernen, effizienter vorzugehen.“

Die Lösung: Umstieg auf Microsoft Azure Services

2020 entschied sich relayr für den Paradigmenwechsel: den Umstieg auf Microsoft Azure als Cloud-Plattform und von eigenen Microservices auf Microsofts breites Portfolio an Azure Services rund um KI und ML: Azure IoT Hub, Event Hubs, Data Lake Storage Gen 2, Azure Machine Learning, Azure Kubernetes Service (AKS) und Azure Stream Analytics. Als ersten Anwendungsfall für die neue Architektur wählte das Projektteam relayrs Software Franz, eine Cloud-Lösung für die Zustandsüberwachung (Condition Monitoring) von Aufzügen.

Anfang 2021 migrierte das Projektteam alle relevanten Microservices zunächst auf Azure und stellte sie im Juni auf Azure Services um. Dabei richtete das Team auch einen Data Lake für historische Daten ein. „Wir hatten zwar S3-Repositories, also Cloud-basierte Objektspeicher im Einsatz“, sagt Dr. Wintergerst, „aber keine Strategie für ‚kalte‘, also selten genutzte Daten.“ Ein erster Proof of Concept (PoC) der neuen Architektur war bereits nach einem Monat fertig, die erste Produktionspipeline nach zwei Monaten. „Das Deployment geht schneller, als es mit unserer alten Technologie je möglich war“, so der relayr-Ingenieur.

relayrs Fernüberwachung von Fahrstühlen funktioniert nun wie folgt: Auf dem Aufzugdach ist eine Franz-Box installiert, die in hoher Frequenz Messdaten sammelt, etwa Standort, Beschleunigung, Geschwindigkeit, Vibrationsspektrum, magnetische Felder oder auch die Sensordaten des Türmotors. Diese Rohdaten werden direkt in der Franz-Box aggregiert und aufbereitet. Die Box meldet jede Fahrt mit Parametern wie Distanz, Beschleunigung, Spitzen- und Durchschnittsgeschwindigkeit. Bei Auffälligkeiten schickt sie die Rohdaten zur Ad-hoc-Analyse in die Cloud. Weicht zum Beispiel die Geschwindigkeit der Türöffnung vom Normwert ab, können Wartungstechniker*innen aus der Ferne ermitteln, ob dies generell der Fall ist oder nur bei einem Stockwerk auftritt: Öffnet die Tür überall zu langsam, könnte eine Motorwartung nötig sein; tritt der Fall nur bei einem Stockwerk auf, ist wohl die Laufschiene der Aufzugtür verunreinigt. Um auch nach der Installation immer neue Messdaten erfassen zu können, kann die Franz-Box dank ihres modularen Designs jederzeit mit zusätzlichen Sensoren erweitert werden.

Die Rolle der Cloud: Mit Machine Learning Normalverhalten ermitteln

Was aber ist eine Auffälligkeit? Hier können ML-Algorithmen und die Cloud ihre Stärken ausspielen. relayr hält dazu die Betriebsdaten separiert nach Projekt in einem Azure Data Lake vor und trainiert damit die Modelle in Azure ML. So lässt sich ermitteln, in welchen Bereichen (Clustern) sich Sensordaten befinden müssten, um im Normbereich zu sein. Die trainierten Modelle betreibt relayr mit Azure Kubernetes Service (AKS), die Daten stehen per Event Hub bereit, ihre interaktive Visualisierung erfolgt mit Power BI. relayrs Data Scientists und Domänenexpert*innen sichten auf der Basis dieser automatisierten Aufbereitung potenziell ungewöhnliche Betriebsdaten. Die verifizierten Ergebnisse überspielt relayr dann in Monitoring Dashboards für die Wartungsunternehmen.

Diesen bringt relayrs Lösung eine Reihe von Vorteilen: Vor allem gewinnen die Wartungsfirmen erstens Erkenntnisse, ohne dass Techniker*innen vor Ort sein müssen. Zweitens haben sie einen zentralen Zugriffspunkt für alle von ihnen verwalteten Aufzüge mit Statistiken zur Anzahl der Fahrten und wichtigen Parametern. Drittens erhalten sie Alarme bei Abweichungen, etwa wenn ein Aufzug seine Spitzengeschwindigkeit nicht mehr erreicht. Viertens kann die Wartungsfirma so ihren Arbeitsalltag besser planen: Sie kann die Wartungsrouten optimieren und so die Kosten senken. Und fünftens können die Wartungsunternehmen die Kundenzufriedenheit steigern, indem sie die Aufzüge effektiver instand halten.

relayr arbeitet bereits daran, über Condition Monitoring und Condition Alerting (Warnung) hinauszugehen und im Dashboard das anzubieten, was Dr. Wintergerst den „Heiligen Gral“ der Fernüberwachung nennt: vorausschauende Wartung (Predictive Maintenance) mit automatischer, KI-gestützter Fehleranalyse. 

Arbeiten mit Azure: Fahrstühle erreichen höheres Produktivitätsniveau

Während der Weg zum „Heiligen Gral“ naturbedingt beschwerlich ist, konnte relayr bei der Produktivität einen Senkrechtstart hinlegen: „Für unsere Data Scientists war der Wechsel zu Azure ein Game Changer“, freut sich Dr. Wintergerst. „Wir können neue Modelle viel schneller und direkt in der Cloud entwickeln, testen und sofort mit relevanten Daten trainieren. So können wir Lösungen zügig in die Cloud bringen, die konkret auf Projektbedürfnisse zugeschnitten sind.“ Früher brauchte relayr dafür mehrere Monate. „Heute erzielen wir dank Azure Machine Learning in ein paar Wochen ein funktionierendes Modell mit relevanten Erkenntnissen“, sagt Dr. Wintergerst. „Mitunter haben wir schon nach vier bis sechs Wochen ein verifiziertes Modell in Produktion.“ Entsprechend kann er von „durchgängig positivem Feedback“ berichten: „Unsere Data Scientists sind sehr zufrieden“, sagt er. „Sie können ihre Modelle ohne großen Aufwand selbst in die Cloud bringen und überwachen.“

Die standardisierte Referenzarchitektur, die relayr für Franz entwickelt hat, lässt sich nun auf andere Projekte übertragen. Als aktuelle Beispiele nennt Dr. Wintergerst die Erkennung von Anomalien bei Abgasreinigungsanlagen auf Schiffen und den Ausschluss von Fehlerquellen in Schalteinrichtungen beim Stromnetzbetrieb. Zugleich baut relayr seine Angebote aus: „Wir erweitern unsere Azure-Referenzarchitekturen, um den ganzen Lebenszyklus vernetzter Geräte und Anlagen abzudecken“, sagt Dr. Wintergerst. Gemeinsam mit Geräteherstellern will relayr das Condition Monitoring um Daten für die Rechnungsstellung anreichern, sodass die Unternehmen eine nutzungsbasierte Abrechnung anbieten können. Ihr Ziel dabei: Equipment as a Service (EaaS). Kooperationen dazu bestehen laut Dr. Wintergerst bereits. Dank der Azure-Basis ist relayr somit nicht nur in puncto Produktivität auf direktem Weg nach oben, sondern kann zugleich sein Portfolio zügig um mehrere Stockwerke erweitern.