Historische Wartungsdaten
Machine Learning dient darüber hinaus der Wartung im Sinn von Predictive Maintenance. Mögliche Ausfälle aufgrund von Verschleiß oder Anomalien können vor ihrem Eintreten erkannt und somit vielleicht abgewendet werden. ML-Algorithmen können in der Praxis Ausfälle durch Verschleiß bis zu einer Woche im Voraus vorhersagen. Gegebenenfalls können dann gleich mit der Fehlervermeidung weitere geplante Wartungsmaßnahmen vorgezogen werden. Die Anomalie-Erkennung erfasst, ob es Ausreißer gibt und Schwellenwerte überschritten werden. Die Daten, die über die Zeit hinweg entstehen, werden auf dieser Basis klassifiziert. Wenn der Wert über einem Schwellenwert liegt, ist das ein Anzeichen für einen Fehler. Wichtig ist deswegen die Betrachtung über längere Zeiträume sowie eine Mindestmenge an brauchbaren und aussagekräftigen Daten. In beiden Fällen – ob Verschleiß- oder Anomalieerkennung – werden historische Daten benötigt.