Eines der bisher größten Hindernisse für Datenkooperationen in der Instandhaltung ist die Sorge um den Schutz sensibler Informationen. Insbesondere für Verschleißmodelle kritischer Komponenten werden häufig neben einzelnen Daten der Bauteile auch Kontext- und Prozessdaten benötigt, die in vielen Fällen als geheim eingestuft sind. Dies verhindert oft die Zusammenarbeit mit Experten, sodass eine Überwachung oder Verschleißvorhersage nicht möglich sind.
Um diese Herausforderung zu meistern, stellen wir eine Reihe innovativer Technologien vor, die es ermöglichen, sensible Daten zu teilen und zu nutzen, ohne dabei die Vertraulichkeit zu gefährden:
- Homomorphic Encryption erlaubt die Analyse von Maschinendaten mit Modellen von Drittanbietern, ohne die Vertraulichkeit zu verlieren
- Federated Learning ermöglicht es Maschinenbetreibern, gemeinsam Modelle zu erstellen, ohne ihre sensiblen Daten preiszugeben
- Differential Privacy kann für sicheres und anonymes Benchmarking genutzt werden