Blog per Mail folgen

Damit Sie nie wieder Blog Posts von uns versäumen!

Predictive Maintenance: Smarter Service wirkt nach innen und aussen

predictive Main_AdobeStock_web.png

Predictive Maintenance nutzt die Datenlage in der Produktion, um die Wartung mit intelligenten Methoden effektiver zu gestalten. Daraus ergeben sich eine Reihe von Nebeneffekten – nicht nur zur Verbesserung der eigenen Produktionsabläufe, sondern auch neue Geschäfts-Chancen.

Schaut man in die einschlägigen Fachmagazine für Maschinenbauer und Automatisierer, findet man zahlreiche Erfolgsgeschichten zur vorausschauenden Wartung, also Predictive Maintenance. Ein Beispiel liefert die Leichtmetallgiesserei von Daimler in Stuttgart, wo täglich rund 10.000 Zylinderköpfe vom Band laufen. Mit Hilfe eines Predictive-Maintenance-Projektes gelang es in nur 16 Wochen die Fehlerquote um 50 Prozent zu senken und die Produktivität um 25 Prozent zu steigern.

Die Rahmenbedingungen dieser Erfolgsgeschichte zeigen aber auch gleichzeitig auf, warum die Digitalisierung von Wartung und Service noch nicht auf breiter Front eingesetzt wird – in der Service-Studie von Roland Berger gaben nur 11 Prozent der Befragten an, ein vollumfängliches Angebot aufgesetzt zu haben.

Daimler sammelt in der Produktion eine Unmenge von Daten. Über 500 Merkmale werden kontinuierlich erfasst, für jeden Zylinderkopf gibt es einen eigenen Datensatz, der die Analyse des gesamten Produktionsprozesses über sämtliche Stationen ermöglicht. Dies gelang mit einer Data-Mining-Lösung eines der grössten IT-Hersteller, die vor allem eines leisten musste: Aus der Unmenge der Daten jene Parameter herauszufiltern, die tatsächlich Einfluss ausüben auf die Produktqualität.

Grundlagen für Predictive Maintenance

10.000 neue Zylinderkopf-Datensätze pro Tag, die Messdaten zu 500 verschiedenen Merkmalen enthalten – da fällt die Entscheidung nicht schwer, hier ist Big Data am Werk. Doch wo fängt Big Data an, oder anders gefragt: Wie viele Daten braucht man, damit Data Mining und damit auch Predictive Maintenance überhaupt sinnvoll betrieben werden kann? Was kann die vorausschauende Wartung leisten, und welche Voraussetzungen machen ihren Einsatz überhaupt möglich?

Zunächst einmal: Man muss kein Daimler sein, auch in einem mittelständischen Produktionsbetrieb kann die Digitale Transformation der Fertigung eine ausreichende Datenbasis liefern. Wichtiger ist zunächst der Faktor Zeit: mindestens ein ganzes Jahr sollte in der Datensammlung abgebildet sein.

Und dann geht es schliesslich darum, dass ein Data Scientist zusammen mit Anlagenexperten aussagekräftige Modelle bildet, die zu vernünftigen Vorhersagen kommen. Dafür bedarf es in der Regel externer Unterstützung, die Kompetenzen in den Bereichen Software, Statistik und Mathematik einbringt.

Von Business Intelligence bis Machine Learning

Daten aus verschiedenen Quellen zu managen und aus den Prozess- und Maschinendaten zusätzliche Informationen zu gewinnen, das gehört zu den Kernkompetenzen der acs ag in Wil, einem Dienstleister für massgeschneiderte Software-Lösungen zur Steuerung von Abläufen in der Prozessindustrie.

Mit Werkzeugen wie DSS von dataiku zur Mustererkennung oder dem Machine-Learning-Tool Microsoft Azure ML finden die Schweizer neue Zusammenhänge in Fertigungs- und Unternehmensdaten. Gemeinsam mit dem Kooperationspartner LeanBI steht ein Team aus Ingenieuren, Data Scientists, Informatikern und Automations- Spezialisten zur Verfügung, das sowohl Prozess- als auch Big-Data-Know-how zusammenbringt.

Dr. Burghardt Schmidt, Senior Consultant der acs ag, kennt die Herausforderungen bei der Modellierung von Big-Data-Anwendungen: „Die Daten müssen strukturiert und in Einklang gebracht, vielleicht sogar reduziert werden. Dann können sie bereits einfach visualisiert werden.

Dann gilt es, die richtigen Algorithmen zur Auswertung zu finden, beispielsweise über lineare Regression, nichtlineare Zustände mit Wechselwirkungen, die per Fuzzy Logic oder neuronale Netze erschlossen werden können, oder per Clustering verschiedener Zustände.“ Dazu muss aber eine genügend grosse Menge von Daten vorhanden sein. Vorhersagen über bestimmte Ereignisse lassen sich beispielsweise oft nur treffen, wenn ein solcher Event in den historischen Daten mindestens einmal aufgetreten ist.

Schlauer als der Hersteller?

Diese Big-Data- beziehungsweise Business-Intelligence-Lösungen bilden die Grundlage für eine vorausschauende Wartung. Roland Bieri, CEO der acs ag, weiß jedoch, dass die Kunden anfangs oft skeptisch sind: „Wenn nicht einmal der Hersteller einer Komponente oder eine Maschine den optimalen Zeitpunkt für eine Wartung angeben kann, wie wollen Sie diesen dann bestimmen?“, ist eine Frage, die den acs-Experten häufiger gestellt wird.

Die Antwort liegt in den Daten. Der Hersteller kennt nie die konkrete Betriebssituation, daher kann er keine allgemeingültige Antwort geben. Predictive Maintenance dagegen nutzt die Informationen, die in der Produktion anfallen. Dazu gehört die Standard-Sensorik, bei Bedarf aber auch zusätzliche Sensoren, um ergänzende Informationen zu erfassen.

So sind zum Beispiel Stromverbrauch und Drehzahl üblicherweise im Manufacturing Execution System (MES) vorhanden, nötig sind aber vielleicht auch Angaben zu Temperatur und Luftfeuchtigkeit. Real-Time-Zeitstempel und die Verknüpfung von Kontextdaten, also dem einzelnen Produkt, den Produktions- und Umgebungsdaten, gehören ebenso zum Datenmodell wie die Sicherung der Datenqualität, beispielsweise durch Eleminieren von Ausreissern und Datensprüngen. Aus der Analyse dieser Daten können treffende Vorhersagen abgeleitet werden.

Damit dies gelingt, so Roland Bieri, braucht man ein echtes Verständnis der Daten: „Wo kommen die Daten her? Was macht man damit?“ – umfassende Kenntnisse der Automation sind dafür zwingende Voraussetzung, so der acs-CEO. Die zweite Voraussetzung ist die Fachkompetenz in der Branche, um Prozess-Schemata und ähnliches zu verstehen. Erst dann ist es möglich, aus den Vorhersagedaten Rückschlüsse zu ziehen und Handlungsempfehlungen zu geben. Bezogen auf die Maintenance heisst dies, zielgerichtet und zeitoptimiert zu agieren, um die Effektivität zu steigern.

Mehr als nur Wartung

Das Produkt, das acs und LeanBI gemeinsam anbieten, ist jedoch nicht einfach nur Predictive Maintenance. Die Big-Data-Lösung nennt sich „Analytic Industrie 4.0“, denn der Nutzen geht weit über die Wartung hinaus. Die Datenanalyse liefert auch Erkenntnisse zu den kritischen Herstellparametern, deren Beeinflussung eine direkte Verbesserung der Prozessabläufe ermöglicht.

Ein weiterer Aspekt ist die Qualitätskontrolle im laufenden Prozess, die eine zusätzliche Real-Time-Steuerung zulässt, mit besserer Qualität und höherer Ausbeute. Durch die Verknüpfung von kontinuierlichen Produkt- und Produktionsdaten werden die Produkte rückverfolgbar. Gerade in der chemischen Industrie sowie in der Lebensmittel-Herstellung (Food&Beverage) ist Traceability eine wichtige Anforderung der Kunden, zum Teil aber auch des Gesetzgebers.

Einstieg in neue Geschäftsmodelle

Verabschieden sollte man sich von dem Gedanken, dass Predictive Maintenance nur ein Teil der Produktionsplanung und -optimierung ist. So bieten die Big-Data-Analysen die Chance, neue Kundenservices anzubieten. Ebenso sind erste Anlagenbauer bereits dabei, ihre Geschäftsmodelle umzustellen. Statt die Maschinen und Anlagen zu verkaufen und zusätzlichen Service anzubieten, vermieten sie die Anlagen oder betreiben sie selbst und kassieren dafür ein Nutzungsentgelt, das beispielsweise auf Betriebszeiten und Verfügbarkeit abstellt. Immer mehr OEM bereiten solche Angebote vor.

Fazit Predictive Maintenance

Nicht die Menge der Daten ist entscheidend, sondern die richtigen Daten über einen ausreichend grossen Zeitraum zu haben. Dann lassen sich – mit dem entsprechenden Know-how – Zusammenhänge entdecken und daraus Handlungsempfehlungen ableiten.

Predictive Maintenance kann dazu dienen, die Laufzeiten von Verschleissteilen zu optimieren und Wartungskosten zu senken. Das alleine greift jedoch zu kurz – die Digitale Transformation der Maintenance ermöglicht neue Services für alte und neue Kunden. Es geht also nicht nur um Kosteneinsparungen, sondern über veränderte Geschäftsmodelle sogar um zusätzliche Umsätze.

 

Whitepaper Asset Service Management