Boggy - Fotolia

Ausfälle haben oft komplexen Gründe für einen Ausfall zu verstehen, zukünftige Ausfälle weit im Voraus zu prognostizieren und so ungeplanten Stillstand im Idealfall gänzlich zu verhindern. Bild: Boggy - Fotolia.com

Boggy - Fotolia

Ausfälle haben oft komplexen Gründe für einen Ausfall zu verstehen, zukünftige Ausfälle weit im Voraus zu prognostizieren und so ungeplanten Stillstand im Idealfall gänzlich zu verhindern.
Bild: Boggy – Fotolia.com

Kaum ein Unternehmen verlässt sich heute noch auf eine rein reaktive Instandhaltung, bei der erst dann gewartet wird, wenn eine Anlage oder ein Asset ausfallen. Gängige Praxis ist hingegen die präventive Instandhaltung. Dabei wird, basierend auf Produktionsplänen, in festen Zeiträumen so rechtzeitig gewartet, dass es möglichst nicht zum ungeplanten Stillstand kommt. Dies geschieht allerdings oft zu sehr hohen Kosten. Wird nämlich früher als notwendig gewartet, führt dies zu unnötigen Kosten für Wartungsressourcen bei Personal oder Ersatzteilen. Hier kommt es auch häufig zur Überbevorratung.

Eine weitere Möglichkeit ist die zustandsorientierte Instandhaltung (condition based maintenance). Hier werden permanent Daten zum Verschleiß gemessen – mittlerweile überwiegend durch Sensoren. Ein erhöhter Abnutzungsgrad führt zu einer Schwellwertüberschreitung, die dann die entsprechende Wartungsmaßnahme auslöst.

Am fortschrittlichsten und vor allem kostensparendsten ist jedoch die vorausschauende Instandhaltung (predictive maintenance): Ein neuer Ansatz, der in deutschen Unternehmen noch

 Fraunhofer IZM Trendgrafik

Trend: Preiswerte Sensoren mit drahtloser Ankopplungen eröffnen neue Perspektiven der Informationsgewinnung. Bild: Fraunhofer IZM

recht selten zu finden ist. Moderne Predictive-Maintenance-Lösungen wie die PMQ-Lösung von IBM helfen dabei, die oft komplexen Gründe für einen Ausfall zu verstehen, künftige Ausfälle weit im Voraus zu prognostizieren und so ungeplanten Stillstand möglichst gänzlich zu verhindern.

Grundvoraussetzung dafür ist eine Datenbasis. Sie ergibt sich aus vertikaler und horizontaler Datenintegration. Notwendig dazu sind neben Standardschnittstellen zu Datenbanken und Big Data Systemen (Hadoop) auch Schnittstellen bis zur Maschinenebene. Fortschrittliche Lösungen wie IBM PMQ liefern zudem eigene Datenmodelle, um die Integration und anschließende Auswertung der oft in unterschiedlichen Formaten und Qualitäten vorliegenden Daten zu erleichtern. Diese Datenmodelle müssen flexibel und erweiterbar, aber gleichzeitig auch industriespezifisch genug sein, um zu schnellen sowie verlässlichen Ergebnissen zu führen. So sollen sie einen messbaren Mehrwert zu eigenprogrammierten Lösungen bieten.

Nach der erfolgten Datenintegration können Analyse und Entscheidungfindung erfolgen. IBM PMQ enthält neben dem mächtigen Datenschema auch eigens für die Produktion und Instandhaltung entwickelte analytische Assets, Algorithmen und eine Vielzahl an vorgefertigten Reportingtemplates zur Ergebnisdarstellung.

Predictive Maintenance in der Praxis

IBM Maintenance-Strategien

Die Entwicklung der Maintenance-Strategien
Der Weg führ von herkömmlichen „Feuerwehraktionen“ hin zu mathematisch fundierten Prognosen künftiger Ereignisse. Grafik IBM

Im ersten Schritt analysiert eine PMQ-Lösung, basierend auf historischen Daten, zunächst die Gründe für den Ausfall – man spricht hier von Ursache-Wirkungs-Analysen oder englisch Root-Cause-Analyse. Zum Einsatz kommen hierbei Data-Mining-Verfahren wie Assoziations- und Sequenzanalysen. So lassen sich häufig zusammen oder nacheinander auftretende Ereignisse identifizieren und oft auch beheben. Damit konnte unsere Lösung bei einem großen Automobilzulieferer beispielsweise die Ursachen für eine Reihe kostenintensiver Wiederholreparaturen in der Fertigung identifizieren.

Die Analyse der historischen Daten der Produktionsstraße zeigte dabei etwa folgendes Muster: Schon kurz nach der Wartung eines Bolzens kam es bei zwei bestimmten Maschinentypen immer zu Kabelbruch. Bolzen und Kabelbruch lagen

IBM Dashboard

Maintenance Overview Dashboard
IBM PMQ Dashbords liefern jederzeit aktuelle Kennzahlen und Einblicke in einem für Entscheider ansprechenden Format. Grafik: IBM

dabei immer an der gleichen Stelle in der Maschine: unten rechts.

Dieses Muster wurde allein durch die Analyse der historischen Reparaturdaten gefunden. Es war vor Einführung der PMQ-Lösung nicht zu erkennen, da die relevanten Daten in unterschiedlichen Quellen und Formaten isoliert vorlagen. Zur

Analyse wurden nun sowohl die strukturiert vorliegenden Daten aus der Instandhaltungsdatenbank herangezogen als auch unstrukturierte Textdaten aus den Wartungsprotokollen. Denn die Informationen, ob ein Bolzen nur überprüft, überarbeitet oder tatsächlich getauscht wurde und die Information, wo genau das Problem auftrat (also z. B. unten rechts), ließ sich nur aus den Freitexten der Wartungsmitarbeiter gewinnen. Hierzu wurden die in der PMQ-Lösung integrierten Text-Mining-Funktionen genutzt.

Diese aus dem Text-Mining gewonnenen Zusatzinformationen konnten nun in strukturierte Daten überführt werden und wurden automatisch mit den bereits vorhandenen strukturierten Informationen verknüpft. Mittels einer Assoziationsanalyse konnten so Kombinationen aus Fehlern identifiziert werden. Also immer dann, wenn der „Austausch des Bolzens“ (strukturiert) plus die Zusatzinformation „Bolzen unten rechts“ (unstrukturiert) auftrat, gab es vermehrt einen „Kabelbruch unten rechts“ (unstrukturiert). Dieser Zusammenhang ließ sich sehr häufig in den Daten finden und wurde mittels statistischer Testverfahren als signifikant bewertet.

GfM Schwingungs-Aufnehmer

Maschinenebene: Fest installierte Schwingungs-Aufnehmer. Bild GfM

In Bezug auf die Problematik mit dem Bolzen galt es nun, herauszufinden, was typischerweise bei der Wartung des Bolzens unten rechts passiert. Gespräche sowie die Begehung der betroffenen Anlagen zeigten, dass der Bolzen bei dem betroffenen Maschinentyp sehr nah an dem Kabel lag, das immer kurz nach dem Bolzentausch brach. Die Beobachtung zeigte nun, dass beim Einsetzen der neuen Bolzen das Kabel sehr stark gequetscht wurde, was anschließend zu verfrühtem Verschleiß und Ausfall führte. Die Lösung war also denkbar einfach: Durch Schulung der Mitarbeiter konnten die Folgereparaturen deutlich verringert werden. Zudem wurde der Maschinenhersteller über das Problem informiert und konnte es abstellen.

In einem weiteren Beispiel ging es darum, die Lebensdauer von Schweißkabeln zu prognostizieren, die bisher bewusst auf Verschleiß „gefahren“ wurden. Dies wollte man ändern. Das Problem allerdings war: Mal verschlissen die Kabel bereits nach drei Monaten, häufiger nach sechs Monaten, manchmal aber auch erst nach neun Monaten. Ein stetiger Austausch der Teile nach sechs Monaten, der ursprünglich ins Auge gefasst wurde, hätte also immer noch die Gefahr von ungeplanten Stillständen bedeutet oder andererseits höhere Kosten verursacht.

Die Lösung lieferte die PMQ-Analyse: Durch Verknüpfung der historischen Wartungsdaten mit Produktionsdaten und externen Einflussfaktoren, etwa der Temperatur in der Werkshalle, wurde ein Modell erstellt. Dieses lieferte eine genaue Prognose, wann welches Kabel mit welcher Wahrscheinlichkeit verschleißen wird. Die Wartungszyklen ließen sich also für jedes Kabel in jeder Maschine individuell anpassen.

IBM Software

IBM Predictive Maintenance and Quality

IBM Software

Diese vorkonfigurierte Software kann in der Cloud oder vor Ort implementiert werden. Die Lösung analysiert die verschiedensten Datentypen, einschließlich der Kenndaten bezüglich Nutzung, Verschleiß und Zustand aus verschiedenen Quellen. Das Produkt kombiniert diese Informationen mit dem im Unternehmen vorhandenen Wissen, um Personen und Systemen optimale Entscheidungsempfehlungen bereitzustellen. Schlüsselfunktionen von IBM Predictive Maintenance and Quality sind:

  • Echtzeitfunktionalität – Integration, Verwaltung und Analyse von Sensor- und Echtzeitinformationen in Kombination mit bestehenden statischen Daten
  • Big Data, vorausschauende Analyse und Business Intelligence – Kombination von Vorhersagemodellierung, Entscheidungsmanage­ment, Workflows, Dashboards und Frühwarnalgorithmen für alle Datentypen und -umfänge
  • Offene Architektur und Datenintegration – Verknüpfung mit zahlreichen Systemen und Datenquellen über sofort einsatzfähige Connectors und APIs
  • Prozessintegration – Erkenntnisse und Empfehlungen für die Ausführung von Arbeitsaufträgen in bestehenden EAM-Systemen (Enterprise Asset Management)

www-03.ibm.com/software/products/de/predictive-maintenance-quality

PMQ-Lösungen können somit einen wichtigen Beitrag zur Unterstützung von unterbrechungsfreien Produktions- und Lieferketten, hohen Qualitätsstandards und Kundenzufriedenheit liefern. Allerdings lassen sich Ausfälle dennoch nicht komplett vermeiden, ebenso kann und darf der menschliche Faktor nicht fehlen. PMQ dient vielmehr dazu, das Wissen und „Bauchgefühl“ erfahrener Mitarbeiter mathematisch und statistisch zu validieren und zu unterstützen. Die finale Entscheidung und Verantwortung liegt jedoch immer beim Menschen.
Plamen Kiradjiev

Kontakt: IBM Deutschland GmbH
www.ibm.com/ibm/de