0511 874 590 50 info@agile-im.de
Sie finden den Artikel interessant? Teilen Sie ihn mit Ihrem Netzwerk!

Reaktive- und präventive Instandhaltung sind die klassischen Wartungsparadigmen. Bei der reaktiven ­­Wartung können längere Stillstandszeiten auftreten, da oftmals Ersatzteile oder Fachkompetenzen vor Ort fehlen. Bei der präventiven Wartung werden nicht selten Anlagen gewartet, die noch gar keinen Wartungsbedarf aufweisen. Zusätzlich entstehen unnötige Stillstandskosten sowie ein breiter Ersatzteilvorrat. Es wird deutlich, dass die Ressourcen effizienter genutzt werden können. Dabei ist das Ziel, dass die richtigen Kompetenzträger und die richtigen Ersatzteile zum richtigen Zeitpunkt zur Verfügung stehen, nämlich unmittelbar bevor Störungen oder Produktionsverluste drohen. Idealerweise sollte die Fehlerbehebungsquote möglich hoch sein (First Time Fix). Gelingt es Unternehmen dies zu verbessern, können sie ihre Prozesse nachhaltig optimieren. Die Lösung lautet: Predictive Maintenance (Dt. vorausschauende Wartung/Instandhaltung).

Was ist Predictive Maintenance?

Das Thema Predictive Maintenance ist nicht neu, sondern schon seit mindestens 30 Jahren auf dem ­­Markt präsent. Als Kernkomponente der Industrie 4.0 rückt Predictive Maintenance wieder in den Fokus. Die Basis dafür liefern die Vielzahl an Daten, die beim Anlagenbetrieb entstehen sowie die technischen Möglichkeiten diese zu verarbeiten – kurz KI (Künstliche Intelligenz) oder noch treffender Machine Learning. Maschinelles Lernen nutzt bestehende Datenbestände, um Muster zu erkennen und aus diesen selbstständig zu Lernen. So können Störungen oder Verschleiß schon im Vorfeld aus einem bestimmten Anlagenverhalten erkannt werden.

Predictive Maintenance Anwendungsfälle

Grundsätzlich gibt es verschiedene Anwendungsfälle für Predictive Maintenance. Im Folgenden finden Sie eine Übersicht einiger Anwendungen:

  • Vorausschauende Erkennung von Störungen und Verschleißerscheinungen
  • Möglichst präzise Verortung der Störungen
  • Analyse und Erklärung von Störungsursachen und Durchsatzschwankungen
  • Automatisierte Disposition von Technikern und Ersatzteilen
  • Optimierung von Produktivität, Anlagenverfügbarkeit und Energieverbrauch
  • Erkennung von Zusammenhängen im Gesamtprozess beziehungsweise vor-/nachgelagerten Produktionsschritten

Herausforderungen für Predictive Maintenance Anwendungen

Fehlende Messdaten oder eine unstrukturierte Datenflut sind typische Hürden für den Einsatz von KI. Ersteres kann mit dem Alter der Anlage und/oder dem Fehlen der benötigten Sensorik in Verbindung stehen. Oftmals ist der Einbau der notwendigen Sensorik zur Datenerfassung sehr kostenintensiv. Eine unstrukturierte Datenflut entsteht wiederum durch eine enorme Menge an Steuerungs- und Sensordaten. In der Folge müssen die relevanten Informationen identifiziert werden. Eine weitere Herausforderung entsteht daraus, dass die Anlagen oftmals sehr heterogen und individuell konfiguriert sind. Nicht selten sind in einer Anlage bis zu mehreren hundert Komponenten verbaut sein, was die Komplexität des Anlagenverhaltens zunehmend steigert. Je komplexer das Anlagenverhalten ist desto aufwändiger wird das eingesetzte technologische Verfahren. Eine Frage die wir am Anfang immer stellen ist, ob alle Kontext-Informationen, die benötigt werden, in den Daten auch enthalten sind. Beispielsweise können Umgebungsdaten wie Betriebstemperatur oder Luftfeuchtigkeit einen wesentlichen Einfluss auf die Prognose haben. Im Bezug auf Machine Learning sollte ebenfalls die geringe Störungshäufigkeit beachtet werden. Niederfrequente Ereignisse sind für KI-Modelle schwieriger zu prognostizieren. Auf Grund der ausbleibenden Störungsbeispiele, ist der Lerneffekt eingeschränkt und die Prognosegenauigkeit verringert sich. Ein kritischer Punkt stellt auch der Datenzugriff dar, denn wo Daten erfasst werden, besteht oftmals die Befürchtung des unerwünschten Fremdzugriffs. Häufig fehlt die benötigte IT-Infrastruktur, um die Daten zu sammeln und zu verarbeiten.

Tipps vom Profi im Predictive Maintenance Web-Seminar

Product Owner und Experte Nils Funke erklärt Ihnen in unserem kostenlosen Web-Seminar, wie Sie durch Predictive Maintenance die Wartung Ihrer Maschinen verbessern können.

Lösungsansätze für Predictive Maintenance Anwendungen

Um den genannten Herausforderungen erfolgreich zu begegnen, ist es notwendig die Aufgabenstellung präzise zu verstehen. Es kann entscheidend sein, die Aufgabe zu zerlegen beziehungsweise Varianten zu formulieren.

Beispielsweise ist die Aufgabenstellung: die Vorhersage von Störungen. Wie oben beschrieben können Störungen selten auftreten, daher ist die Vorhersagbarkeit häufig eingeschränkt. Ein Lösungsansatz ist zunächst das Normalverhalten der Anlage zu erlernen und anschließend frühzeitig Abweichungen vom Normalverhalten zu erkennen. Bestimmte Modelle reagieren auf Veränderungen in den Daten sehr sensibel. Bevor ein Mensch die Störung bemerken kann, reagiert das Modell mit einem steigenden Prognosefehler. Dieses Verhalten von Prognosemodellen nutzen wir, um vorausschauend Fehlersituationen festzustellen.

Die Vision von Predictive Maintenance Anwendungen im Blick behalten

Die Vision ist es eine IOT Plattform beziehungsweise Infrastruktur aufzubauen, um mehrere Anlagen an verschiedenen Standorten anzubinden und ein übergreifendes Lernen zu ermöglichen. Das heißt, das Wissen von einer Anlage auf andere Anlagen zu übertragen. Es ist wichtig zu begreifen, dass dies das Ziel ist. Keinesfalls sollte die maximale Anforderung am Anfang eines KI-Projektes umgesetzt werden.

 

Vision:

Aus der Erfahrung zahlreicher Praxisprojekte können wir ein iteratives Vorgehen empfehlen: Anfangs ist es ratsam die Komplexität zu reduzieren. Beispielsweise beginnt man mit einer einzelnen Anlage oder einer Demoanlage, um das richtige Verfahren und die richtigen Modelle herauszufinden. Anschließend wird schrittweise die Komplexität durch vielfältige Programme, Steuerungen oder größeren Anlagen erhöht. So können mehrere Hürden genommen werden, zum einen ist das Risiko und das Anfangsbudget geringer und zum anderen kann die Komplexität gezielt gesteuert werden.

 

Iterativer Prozess:

Das „richtige“ Sammeln der Daten für Predictive Maintenance Anwendungen

Oftmals werden die Daten entweder gar nicht oder nicht systematisiert gespeichert. In diesem Fall ist es empfehlenswert einen Data Lake einzuführen. Hierdurch können frühzeitig Daten systematisiert und organisiert werden. Hier gilt die Regel: je mehr desto besser! Das Ziel ist alle verfügbaren Daten unverändert (Rohdaten) zu sammeln und zu historisieren, ohne aufwendige Datenmodelle zu konstruieren. Wesentliche Daten sind hierbei: Steuersignale, Sensordaten, Prozess- und Umgebungsdaten, Störungsmeldungen oder Ein-, Aus- und Umbauten.

Erfolgskonzept: Kombination aus klassischen Verfahren und Machine Learning

Ist die Anlage ausgewählt und sind Daten vorhanden, lautet unser erster Schritt ein Data Quick Check vorzunehmen. Das heißt, das Verhalten der Anlage zu verstehen und zu analysieren. Typischerweise prüfen wir das Anlagenverhalten auf Periodizität der Komponenten, Synchronität der Steuersignale und Auffälligkeiten in den Messreihen, wie Aussetzer oder Ausreißer. Bevor wir komplexe Machine Learning Verfahren verwenden, ist es sinnvoll, klassische Werkzeuge und Methoden zu nutzen, wie Anomalieerkennung, Korrelationsanalysen oder Fourier-Analysen. Insbesondere in der Visualisierung der Daten und in der anschließenden Diskussion mit den Fachspezialisten, werden häufig spannende Erkenntnisse über deren Prozess gewonnen. Liegt nun eine saubere Datenqualität vor, können KI-Modelle Muster in den Daten erkennen beziehungsweise die Dynamik des Systems erlernen. Zusammenfassend lässt sich festhalten, dass Predictive Maintenance nur durch die Kombination aus klassischen Verfahren, Machine Learning und praktischem Fachwissen erfolgreich umgesetzt werden kann.

Fazit: KI als Erfolgsfaktor für Predictive Maintenance Anwendungen

Predictive Maintenance rückt wieder in den Fokus der Industrie. Der Einsatz von KI spielt eine dabei tragende Rolle. Dies bestätigt auch die aktuelle Studie des VDMA: 81% der Unternehmen befassen sich intensiv mit dem Thema Predictive Maintenance. Im Hinblick auf die eigenen Geschäftschancen erwarten 80% der Befragten durch Predictive Maintenance deutliche Wachstumsimpulse für ihr Servicegeschäft. Die Umsetzung der finalen Vision ist jedoch nicht der erste Schritt. Erfahrung, benötigte Kompetenzträger sowie ein erprobtes Vorgehen stellen die Erfolgsfaktoren dar. Oftmals sind nicht alle Bausteine Inhouse vorhanden.

Lassen Sie uns Ihre Herausforderungen gemeinsam angehen. Ich freue mich über einen unverbindlichen Austausch. Kontaktieren Sie mich gerne direkt unter nfunke@agile-im.de

Nils Funke

Product Owner, AIM

Diese Artikel könnten Sie auch interessieren: