predictive-maintenance

German Version

Beschreibung der Funktion predict_time_to_next_defect V6

Die Funktion predict_time_to_next_defect berechnet auf Basis der historischen Mängeldaten eines Fahrzeugs die geschätzte Zeit bis zum nächsten Defekt. Die Vorhersage erfolgt durch die Analyse der zeitlichen Abstände zwischen aufeinanderfolgenden Mängeln und verwendet ein lineares Regressionsmodell, um zukünftige Defekte vorherzusagen.

---

Funktionalität

Zweck

• Analyse historischer Mängeldaten, um Muster in den Zeitabständen zwischen Defekten zu erkennen.
• Erstellung einer Vorhersage über die Zeit bis zum nächsten Defekt auf Grundlage der bisherigen Zeitabstände.

---

Parameter

1. defects_df (Pandas DataFrame):
   • DataFrame mit den Mängeldaten des Fahrzeugs.
   • Erforderliche Spalten:
     • timestamp: Zeitstempel des Mangels.
     • mileage: Kilometerstand, bei dem der Mangel aufgetreten ist.
     • downtime (optional): Dauer des Fahrzeugstillstands aufgrund des Mangels.

---

Rückgabewerte

• results (dict):
  • Enthält die geschätzte Zeit bis zum nächsten Defekt oder Fehlermeldungen, falls die Daten nicht ausreichen.
  • Schlüssel:
    • time_to_next_defect: Vorhersage der Zeit bis zum nächsten Defekt in Sekunden, oder eine Fehlermeldung.

---

Ablauf der Funktion

1. Datenüberprüfung

required_columns = ["timestamp", "mileage", "downtime"]
for col in required_columns:
    if col not in defects_df.columns:
        raise ValueError(f"Die Spalte '{col}' fehlt im DataFrame.")

• Überprüft, ob die Spalten timestamp, mileage, und downtime im DataFrame vorhanden sind.
• Löst einen Fehler aus, falls notwendige Spalten fehlen.

---

2. Vorbereitung der Daten

defects_df['timestamp_numeric'] = pd.to_datetime(defects_df['timestamp']).astype(int) // 10**9
defects_df = defects_df.sort_values(by="timestamp_numeric")

• Die Spalte timestamp wird in numerische Werte (Sekunden seit der Unix-Epoche) umgewandelt.
• Der DataFrame wird nach Zeitstempeln aufsteigend sortiert.

---

3. Überprüfung der Datenmenge

if len(defects_df) < 2:
    return {
        "time_to_next_defect": "Nicht genug Daten, um die Zeit bis zum nächsten Defekt vorherzusagen."
    }

• Wenn weniger als zwei Mängel vorliegen, kann keine sinnvolle Vorhersage getroffen werden. In diesem Fall wird eine Fehlermeldung zurückgegeben.

---

4. Berechnung der Zeitabstände

defects_df["time_diff"] = defects_df["timestamp_numeric"].diff().fillna(0)

• Berechnet die Differenzen der Zeitstempel zwischen aufeinanderfolgenden Mängeln.
• Die erste Differenz wird mit 0 aufgefüllt.

---

5. Lineares Regressionsmodell

X = np.arange(len(defects_df) - 1).reshape(-1, 1)  # Index der Mängel
y = defects_df["time_diff"].iloc[1:].values  # Zeitdifferenzen

model = LinearRegression()
model.fit(X, y)
next_defect_time = model.predict([[len(defects_df)]])[0]

• Das lineare Regressionsmodell wird trainiert, indem die Reihenfolge der Mängel (X) mit den Zeitdifferenzen (y) korreliert wird.
• Das Modell sagt den Zeitabstand bis zum nächsten Mangel vorher.

---

6. Rückgabe der Ergebnisse

results["time_to_next_defect"] = f"{next_defect_time:.2f} Sekunden bis zum nächsten Mangel"

• Die geschätzte Zeit bis zum nächsten Mangel wird in Sekunden zurückgegeben.

---

Beispiel

Eingabedaten (defects_df)

timestamp	mileage	downtime
2024-01-01 12:00:00	12000	2.5 h
2024-02-01 15:00:00	14000	3.0 h
2024-03-01 18:00:00	16000	1.5 h

Ausgabe

{
    "time_to_next_defect": "2592000.00 Sekunden bis zum nächsten Mangel"
}

---

Stärken der Funktion

1. Einfache Implementierung:
   • Nutzt die Differenzen zwischen den Zeitstempeln, um Muster zu erkennen.
2. Flexibilität:
   • Kann auf verschiedene Fahrzeuge oder andere Defektdaten angewendet werden.
3. Integration mit anderen Datenquellen:
   • Kann mit weiteren Variablen (z. B. Fahrzeuglast, Geschwindigkeit) erweitert werden.

---

Zusammenfassung

Die Funktion predict_time_to_next_defect ist ein nützliches Werkzeug, um zukünftige Mängel anhand historischer Daten vorherzusagen. Sie bietet eine solide Grundlage für die Integration in größere prädiktive Wartungssysteme und kann durch zusätzliche Daten und Modelle weiter verbessert werden.

---

Lizenz

Autor: Jörg Harzmann

Dieser Inhalt ist unter einer CC BY-NC Lizenz veröffentlicht. Jeglicher Quellcode ist urheberrechtlich geschützt!