Wenn Predictive Maintenance durch Machine Learning ergänzt wird, können Instandhalter günstiger und effektiver arbeiten.

Wenn Predictive Maintenance durch Machine Learning ergänzt wird, können Instandhalter günstiger und effektiver arbeiten. - Bild: stock.adobe.com/guruXOX

| von Julian Mehne, Data Scientist bei DoubleSlash

Mit Predictive Maintenance lassen sich die Ausfallzeiten von Produktionsanlagen um bis zu 50 Prozent senken, die Wartungskosten um 20 bis 40 Prozent. Das jedenfalls ist die Einschätzung von McKinsey. Kein Wunder also, dass die vorausschauende Wartung zu den hoch favorisierten Themen von Produktionsleitern und Instandhaltungsmanagern gehört.

Kein Wunder auch, dass es mittlerweile Beispiele aus der Praxis gibt, die zeigen: Das Optimierungspotenzial ist in der Tat riesig. So verlängert sich beispielsweise die Lebenszeit von Windturbinengetrieben mittels Predictive Maintenance. Dabei geht es dem Getriebehersteller darum, für seine Kunden die Kosten für die Gewinnung von Windenergie zu senken. Der Hebel dafür ist, dass die Maschine möglichst lange zuverlässig funktioniert. Je länger sie läuft, desto niedriger sind die Gesamtkosten und desto höher der Ertrag.

Um das zu erreichen, sind Informationen über die tatsächliche Nutzung der Anlage entscheidend. Denn nur im richtigen Betrieb lässt sich präzise feststellen, welchen tatsächlichen Belastungen das Getriebe ausgesetzt ist. Davon ausgehend lassen sich Wartungsarbeiten genauer terminieren und beispielsweise feststellen, wann welche Komponente getauscht werden sollte.

Ähnliche Effekte lassen sich mit Lkw-Getrieben erzielen: Im Fahrzeug installierte Sendemodule schicken per Funk permanent Informationen über den Zustand des Getriebes beziehungsweise seiner Komponenten wie Getriebeöl oder Kupplungsscheiben in das übergeordnete Cloud-System. Damit hat der Anwender die relevanten Informationen immer parat und kann frühzeitig erkennen, wenn sich beispielsweise Mangelsituationen anbahnen.

Performance steigt – Kosten sinken

In beiden Fällen liegt der Mehrwert für den Kunden auf der Hand: Die Zuverlässigkeit der Maschine steigt – Ausfälle und teure Wartungen werden auf ein Minimum reduziert. Das senkt die Kosten, steigert die Performance und verlängert die Lebensdauer der Maschine – die Basis sind datengetriebene Entscheidungen.

Grafik: Predictive Maintenance 

Predictive Maintenance verlängert die Lebenszeit von Maschinen und Anlagen.
Predictive Maintenance verlängert die Lebenszeit von Maschinen und Anlagen. - Bild: DoubleSlash

Zum einen wird manche Anreise eines Servicetechnikers unnötig. Zum anderen wird die Maschine nur dann gewartet, wenn ihr Verschleiß das erfordert. Außerdem: Muss ein Techniker doch mal anreisen, weiß er bereits im Vorfeld, wo der Fehler liegt und gegebenenfalls welche Ersatzteile er vor Ort benötigt.

Besonders wirtschaftlich wird Predictive Maintenance, wenn eine vergleichsweise kleine Fehlfunktion oder ein zu später Eingriff hohen Schaden verursachen kann. Verliert etwa eine Pumpe in einem petrochemischen Verarbeitungsprozess Druck, kann dies einen Dominoeffekt nach sich ziehen: Die Temperatur sinkt, das Material wird dickflüssig, verstopft Ventile und bringt den gesamten Prozess zum Stillstand. Im Extremfall muss anschließend ein großer Teil der Anlage erneuert werden.

Übermittelt das Predictive Maintenance System jedoch die Zustandsdaten der Pumpe in Echtzeit, schlägt es Alarm, noch ehe es zu solch verheerenden Fehlfunktionen kommt. Auf diese Weise lässt sich das Risiko kostspieliger Folgen vermeiden oder zumindest signifikant verringern.

Klar ist: Der Effekt eines Predictive Maintenance Modells steigt mit der Menge der Daten, die Sensoren in Maschinen und Anlagen liefern. Denn je mehr relevante Daten verfügbar sind, desto besser lässt sich bestimmen, wann welche Komponente ausgetauscht werden sollte – rechtzeitig vor einem Ausfall, aber eben auch erst, wenn es tatsächlich nötig ist.

Video: Internet of Things und Predictive Maintenance – Basiswissen zu Machine Learning in der Praxis

Basiswissen zu Machine Learning in der Praxis aus dem Projekt UPLINX zum Thema Internet of Things und Predictive Maintenance mit Josef Brunner, Geschäftsführer Relayr. - Inhalt: Acatech

Vorhersage muss sich den Gegebenheiten anpassen

Dazu passt sich das Vorhersagemodell idealerweise ständig den Gegebenheiten im Produktionsumfeld an. Das aber funktioniert nur, wenn das System die gesammelten Messdaten automatisch interpretiert - und, wenn sich die Interpretation den tatsächlichen Erfordernissen mit der Zeit möglichst stark annähert.

Um dies zu erreichen, setzen die Entwickler von Predictive Maintenance Modellen zunehmend auf Machine Learning Algorithmen. Mit ihrer Hilfe lassen sich aus den Daten funktionale Zusammenhänge ableiten, die eine realistische Zustandsdiagnose des überwachten Systems und verlässliche Prognosen etwa für vorausschauende Wartung ermöglichen.

Der Autor dieses Artikels, Julian Mehne, arbeitete nach seinem Ingenieursstudium als wissenschaftlicher Mitarbeiter an der stochastischen Fehlermodellierung von Lithium-Ionen-Batterien an der Universität Stuttgart. Seit Mitte 2018 unterstützt er bei DoubleSlash als Data Scientist das Data Analytics-Team im Bereich maschinelles Lernen.
Der Autor dieses Artikels, Julian Mehne, arbeitete nach seinem Ingenieursstudium als wissenschaftlicher Mitarbeiter an der stochastischen Fehlermodellierung von Lithium-Ionen-Batterien an der Universität Stuttgart. Seit Mitte 2018 unterstützt er bei DoubleSlash als Data Scientist das Data Analytics-Team im Bereich maschinelles Lernen. - Bild: DoubleSlash

Im Fokus stehen dabei drei Ziele. Das erste ist, die Lebenszeit von Anlagen und Maschinen zu verlängern und optimal zu nutzen. Das zweite eine möglichst treffsichere Vorhersage der voraussichtlichen Restlebensdauer von Maschinen und Komponenten (Remaining Useful Life, RUL). Das dritte Ziel schließlich ist der bereits erwähnte Lerneffekt, also die Annäherung der Prognose an die Realität.

Damit automatisieren die Algorithmen nicht nur die vorausschauende Wartung. Sie liefern auch adäquate Ergebnisse und gegebenenfalls Handlungsempfehlungen, wenn Veränderungen im Verhalten der Maschinen oder in den Rahmenbedingungen auftreten. Wartungsvorgänge, -intervalle und Ersatzteilhaltung lassen sich so an die jeweils aktuellen Bedingungen anpassen.

Außerdem hilft das Modell Abweichungen zu erkennen, ehe die Maschine nicht mehr voll funktionsfähig ist oder größeren Schaden nimmt. Auch der Verschleiß von Schmier- und Verbrauchsmitteln lässt sich so überwachen und so zum Beispiel der optimale Austauschzeitpunkt bestimmen.

So setzen Sie ein Predictive Maintenance Projekt unter Einsatz von Machine Learning um:

Schritt eins: Daten sichten

Der erste Schritt ist die Analyse der Datenbasis. Je länger Maschinen und Anlagen mit Sensoren ausgestattet und vernetzt sind, desto besser. Denn dann stehen schon vergleichsweise viele Daten zur Verfügung. Interessant ist hier vor allem, welche Zustands- beziehungsweise Messdaten verfügbar sind und seit wann. Auch unstrukturierte Daten wie Bilder oder Audiosignale sollten gesichtet und bewertet werden. Desgleichen statische Daten wie Firmwareversion, Herstellungsdatum und Aufstellungsort der Maschine.

Die besten Ergebnisse bringen Daten, die in lückenlosen Messreihen verfügbar sind. Dabei ist auch wichtig, in welcher Frequenz sie gesammelt werden und ob sie sauber dokumentiert sind. Aber auch Daten, die nur anhand bestimmter Ereignisse erfasst werden, können durchaus hilfreich sein.

Schritt zwei: Aufbereitung des Datenmaterials

Jetzt folgt die Aufbereitung des Datenmaterials: Die Datensätze müssen bereinigt, falsche Werte gelöscht und fehlende Werte aufgefüllt werden. Wichtig ist auch Verständnis dafür zu entwickeln, welche Daten wie und unter welchen Umständen erfasst wurden. Schließlich geht es darum, Rückschlüsse auf Maschinenzustände und -verhalten zu ziehen.

Service- und Reparaturdaten stellen die solideste Basis für eine Remaining Useful Life (RUL) Prognose dar. Sie informieren darüber, welche Maschine wann ausgefallen ist, was defekt war und was repariert wurde. Lassen sich die Servicedaten mit den Zustandsdaten verbinden, macht dies einen Abgleich der Zustände vor und nach einer Reparatur möglich. Daraus ergeben sich erste Annäherungen an eine belastbare RUL-Prognose.

Nun müssen die verfügbaren Servicedaten priorisiert werden. Als Kriterien können gelten, welche Maschinentypen am häufigsten defekt sind, welche Bauteile am ehesten ausfallen und welche Teile im Fall einer Reparatur besonders hohe Kosten verursachen. Die darauf basierende Ursachenforschung liefert Erkenntnisse dazu, welche Ereignisse oder physikalischen Messwerte zum Beispiel mit dem Versagen eines Bauteils oder einer Maschine korrelieren.

Schritt drei: Relevanz klären

Anhand der inzwischen gewonnenen Informationen lassen sich die verfügbaren Daten im Hinblick auf die Modellbildung bewerten. Die Frage ist: Welche Daten und Informationen könnten für ein gutes Predictive Maintenance Modell relevant sein? Diese Frage sollten die IT-Spezialisten zusammen mit Experten klären, die sich mit den Maschinen auskennen.

Es folgt die Definition der Fragestellungen, anhand derer sich die angestrebten Projektziele am ehesten erreichen lassen. Dabei gilt es darauf zu achten, auf welche Fragen das verfügbare Datenmaterial überhaupt Antworten liefern kann.

Natürlich kann man die Sache auch andersherum angehen: Man definiert, was für die Zielerreichung hilfreich wäre und schaut dann, inwiefern die Daten das hergeben.

Sinnvollerweise sollte sich die Modellierung zunächst an jenen Szenarien orientieren, die finanziell besonders herausragen – also an teuren Maschinen oder solchen, die besonders häufig ausfallen oder deren Ausfälle besonders hohe Kosten verursachen.

Bilderstrecke: Hier ist Predictive Maintenance tatsächlich im Einsatz

Kommunikation über Data Scientist bündeln

Um in einem solch vielschichtigen und komplexen Projekt den Überblick zu behalten, empfiehlt sich die Einbindung eines Data Scientist. Seine Aufgabe ist es, die Kommunikation mit Datensammlern, Entwicklern, Servicetechnikern und anderen Experten zu koordinieren und zu bündeln. Er bereitet die Informationen projekttauglich auf und bringt sie ein.  

Alle Erkenntnisse, die bis zu diesem Punkt gewonnen wurden, stellen die Basis für das Entwickeln eines "intelligenten" Algorithmus dar. Der Markt bietet dafür eine Reihe an guten Tools. Welche davon genutzt werden, entscheiden die IT-Spezialisten im Projekt anhand der Projektanforderungen und Vorkenntnisse.

Für den schnellen Einstieg bieten IoT-Hersteller bereits integrierte Algorithmen oder vorgefertigte Services wie Azure Cognitive Services und Amazon AWS AI Services. Dabei liegt es in der Natur der Sache, dass diese Tools vergleichsweise unflexibel sind.

Öffentlich verfügbare KI-Programmierbibliotheken oder Algorithmen-Baukästen eröffnen dem Programmierer schon mehr Handlungsspielraum. Um schnell ein Modell zu realisieren, nutzen viele Entwickler beispielsweise die interpretierte Sprache Python. Und wer Algorithmen komplett selbst entwickeln will, der ist mit Open-Source-Programmbibliotheken wie PyTorch und TensorFlow gut bedient.

Klar ist: Unternehmen, die das Wertschöpfungspotenzial von Predictive Maintenance optimal ausschöpfen wollen, kommen um Künstliche Intelligenz und Machine Learning nicht herum. Die Voraussetzungen sind günstig, sofern Daten von vernetzten Maschinen bereits verfügbar sind. Die Tools für die Entwicklung von Algorithmen sind inzwischen fast schon "state of the art".

Tipp: Wie man häufige Fehler bei Predictive Maintenance Projekten vermeidet und bestimmte Hindernisse schon im Vorfeld eliminiert – dabei hilft Ihnen der Wegweiser "Predictive Maintenance Projekte – die 5 häufigsten Fehler und wie man sie vermeidet". Das Whitepaper finden Sie als kostenlosen Download hier.

Immer informiert mit dem Newsletter der INSTANDHALTUNG

Ihnen hat gefallen, was Sie gerade gelesen haben? Dann abonnieren Sie unseren Newsletter!

So bleiben Sie zu allen Neuigkeiten und Trends aus der Instandhaltungs-Branche auf dem Laufenden. Profitieren Sie von den Vorteilen unserer unterschiedlichen Newsletter-Formate - kostenlos!

Hier klicken und anmelden!

Der Eintrag "freemium_overlay_form_ish" existiert leider nicht.