Predictive Maintenance

Die Produktionslinien von Unternehmen sind auf maximale Effizienz ausgelegt - wehe, wenn dabei mal ein Defekt auftritt. (Bild: Stock57/stock.adobe.com)

Produktionsunternehmen haben ihre Wertschöpfungsketten und Produktionslinien auf maximale Effizienz ausgelegt, um Kosten sparen und ambitionierte Stückzahlen produzieren zu können. Das Ergebnis ist eine hochkomplexe Produktionslinie, die empfindlich auf Störungen reagiert. Defekte können sich in abnehmender Qualität der Produkte oder gar einem kompletten Stillstand der Produktion äußern. Die Folge sind im schlimmsten Fall hohe Umsatzeinbußen.

Um dem entgegenzuwirken, setzen viele Betriebe auf die vorausschauende Wartung (Predictive Maintenance). Dr. Sebastian Heger, Solution Specialist bei Tresmo, erklärt, wie Unternehmen Predictive-Maintenance-Lösungen in ihre Produkte implementieren können. Zudem wird deutlich, welche Mehrwerte sie aus solchen Lösungen und den Daten, die sie generieren, ziehen können.

Ansätze der Predictive Maintenance

Die Predictive Maintenance basiert auf Predictive Analytics. Dabei handelt es sich um eine statistische Disziplin, die mithilfe detaillierter Datenmodelle und der Erkennung von Zusammenhängen in den Daten Ausfälle und Defekte in der Zukunft approximieren kann.

Um dies zu realisieren, kommen prädikative Analysemethoden zum Einsatz. Ausgangsbasis sind im industriellen Kontext Prozess- und Maschinendaten. Durch eine Reihe an Datenanalysen und statistischen Methoden werden Vorhersagemodelle trainiert. Meist werden dazu komplexe Ansätze unter dem Sammelbegriff "Machine Learning" genutzt, um Muster und Zusammenhänge in umfangreichen Datenmodellen zu erfassen. Man unterscheidet zwei unterschiedliche Ansätze: Supervised Learning und Unsupervised Learning.

Supervised Learning beinhaltet Algorithmen, die auf Basis Trainingsdaten mit zusammenhängenden Ein- und Ausgabedaten Assoziationen erlernen. Die Lösung prüft danach, ähnlich einem 'Lehrer', die getroffenen Vorhersagen und setzt sie in Relation zu den erwarteten Ausgaben im Trainingsdatensatz. Der Algorithmus verfeinert somit das Vorhersagemodell so lange weiter, bis eine möglichst hohe Prognosegüte erreicht wird. Die Qualität der Prognose ist dabei immer abhängig von der Eignung und Qualität der Ein- und Ausgabedaten sowie des Algorithmus-Ansatzes.

Unsupervised Learning stellt den Gegensatz dazu dar und ermittelt Kategorien sowie Zusammenhänge basierend auf Eingabedaten. Daten werden dabei in Kategorien eingeteilt, die unterschiedlichen Mustern folgen. Ein:e Analyst:in übernimmt danach die Interpretation der Kategorien. Jedoch ist es auch möglich, schon vorab unbekannte Zusammenhänge zu erschließen.

Hat man sich für eines der beiden Vorhersagemodelle entschieden, können Entscheidungsmodelle implementiert werden. Diese bilden Geschäftsregeln ab und beinhalten Aktionen, die Mitarbeiter:innen basierend auf den Prognoseergebnissen durchführen. Dabei kann es sich etwa um die Bestellung von Ersatzteilen handeln, sobald sich ein Defekt in der Zukunft anbahnt.

Wie Hersteller von Predictive Maintenance profitieren

Kunden profitieren in erster Linie von verringerten Standzeiten durch Maschinenausfälle, höheren Produktionsvolumina und gesteigerten Umsätzen. Aber auch Hersteller ziehen Vorteile daraus, Predictive-Maintenance-Lösungen in ihren Produkten zu implementieren. Maschinenbauer zum Beispiel können ihre Produkte um eine entsprechende Leistung erweitern und so innovativ und zukunftsfähig am Markt auftreten. Auch jenseits des Marketings ergeben sich Vorteile: Hersteller kennen ihre Maschinen besser als ihre Kunden oder etwaige Drittanbieter. Befindet sich die Lösung in mehreren Umgebungen im Einsatz, kann sie auf große Mengen an Daten zugreifen und detaillierte Prognosen treffen – bei gleichzeitiger Verringerung der Fehlerquote.

 

Video: Ausfälle vorhersagen, bevor sie passieren – Predictive Maintenance von Tetra Pak

Vorausschauende Wartung mit Zustandsüberwachung ermöglicht es, Ausfälle vorherzusagen, bevor sie auftreten. Durch die Echtzeitüberwachung kritischer Anlagenteile identifiziert Predictive Maintenance Abweichungen in Maschinenfunktionen, die zu Leistungsproblemen oder Maschinenausfällen führen können. - Inhalt: Tatra Pak

In drei Phasen zur Automatisierung

Bei Predictive Maintenance handelt es sich um ein komplexes Thema, doch sie bietet schon in frühen Phasen Mehrwerte für das eigene Unternehmen und für Kundenbetriebe. An den folgenden drei Phasen für die Entwicklung solcher Lösungen sollten sich Maschinen- und Anlagenhersteller orientieren:

Connect
In der Connect-Phase vernetzt der Hersteller die Maschinen und Geräte, die die Lösung später überwachen soll. Erstes Ergebnis dieser Phase ist eine App zur Zustandsüberwachung von Maschinen (Condition Monitoring), mit der die Mitarbeiter:innen des eigenen Unternehmens oder des Kundenteams den Betriebszustand der Maschinen einsehen können.

Moderne Produktionsmaschinen und -anlagen verfügen bereits über die geeignete Sensorik sind leicht in das IoT einzubinden bzw. untereinander zu vernetzen. Für ältere Geräte besteht die Möglichkeit, sie nachzurüsten. Eine IoT-Plattform empfängt die so aufgenommenen Daten und übernimmt zusätzlich das Geräte- sowie Nutzermanagement. In der Cloud finden auch Speicherung, Verarbeitung und Bereitstellung der Daten für weiterführende Anwendungen, wie Condition Monitoring statt. Diese bildet dann die Grundlage für die Predictive Maintenance.

Integrate
In der zweiten Phase wird die Condition-Monitoring-Lösung in andere Anwendungslandschaften integriert. Je nach Komplexität einer Anlage müssen gegebenenfalls verschiedene Komponenten miteinander vernetzt werden, um Zugriff auf alle relevanten Datenquellen sowie beispielsweise ERP- oder CRM-Systeme zu erlangen. Auch eine Integration der Lösung in übergeordnete Plattformen und Produktportfolios kann sinnvoll sein. Spätestens hier ergibt es Sinn, die Lösung auch in die Unternehmensumgebungen einzubinden, die später von einer vorausschauenden Wartung profitieren sollen.

Automate
In der letzten Phase geht es darum, Vorhersagemodelle zu entwickeln und zu bestimmen, welche Entscheidungen auf Basis der Prognosen getroffen werden. Hier kommt die Condition-Monitoring-Lösung aus Phase 1 wieder zum tragen: Sie sammelt alle prozessrelevanten Informationen, die der Predictive-Maintenance-Lösung Signal- und Schwellwertsanalysen ermöglicht. Zudem kann die vorausschauende Wartung Anomalien und andere Ereignisse sichtbar machen und anhand ihrer Kritikalität klassifizieren.

Die hier gewonnenen Daten dienen dazu, die Wahrscheinlichkeit von Ausfällen bestimmter Komponenten zu berechnen. Besonders am Anfang geht es darum, einfache Modelle mit wenigen Variablen zu erstellen. Diese Herangehensweise hält die Komplexität niedrig und liefert erste vorzeigbare Ergebnisse. Die Präzision der Prognosen lässt sich später steigern. Auch die Implementierung von Algorithmen mit künstlicher Intelligenz ist zu einem späteren Zeitpunkt möglich.

Sobald die vorausschauende Wartung erst einmal zuverlässige Ergebnisse liefert, geht es an die Definition des anschließenden Prozesses: Was passiert nach einer Vorhersage? Dazu kann die Überprüfung der Maschine durch eine:n Servicemitarbeiter:in ebenso gehören wie der Austausch eines Verschleißteils. Besonders zu Beginn sollte immer ein Mensch Ergebnisse und daraus resultierende Entscheidungen überprüfen – bis die Prognosegüte optimal ist und das System alleine arbeiten kann.

Über den Autor:

Sebastian Heger
(Bild: Tresmo)

Als Solution Specialist bei Tresmo begleitet Dr. Sebastian Heger Unternehmen im Zuge der Konzeption, Umsetzung und Etablierung zukunftsfähiger IoT-, Cloud- und App-Lösungen. Zuvor sammelte er als Projekt- und Teamleiter bei der Projektgruppe Wirtschaftsinformatik des Fraunhofer-Instituts für Angewandte Informationstechnik FIT weitreichende Erfahrungen an der Schnittstelle von Forschung und Praxis. Sebastian Heger hat Wirtschaftsinformatik an der Universität Augsburg studiert und zur Gestaltung soziotechnischer Informationssysteme promoviert.

Effektvoll aber schwierig

Predictive Maintenance bietet viele Vorteile für die Unternehmen, die ihr Potenzial erkennen, sei es in der eigenen Produktion oder als innovative Lösung, die Mehrwerte zu den Produkten liefert. Unerwartete Ereignisse in Produktionslinien zu erkennen, bevor sie eintreten, spart Kosten ein und führt gleichzeitigen zu einer Verbesserung der Qualität. Allerdings sind Lösungen zur vorausschauenden Wartung komplex und die Implementierung gestaltet sich oft genug als schwierig.

Die Anzahl an Tools, die sich auf dem Markt befinden und die für viele Anforderungen geeignet sind, ist riesig. Die Nutzung bereits existierender Lösungen lässt Unternehmen hohe Entwicklungskosten einsparen und schnell zu ersten vorzeigbaren Ergebnissen kommen. Doch die schiere Masse an Angeboten und Möglichkeiten kann verwirrend sein. Viele Unternehmen setzen deshalb bei der Umsetzung auf Partner mit den richtigen Kompetenzen. Die Unabhängigkeit ist hierbei äußerst wichtig: Reine IoT-Dienstleister können sowohl Überblick als auch Erfahrung einbringen und zur idealen Lösung beraten.

Bearbeitet von Stefan Weinzierl

Sie möchten gerne weiterlesen?

Registrieren Sie sich jetzt kostenlos:

Bleiben Sie stets zu allen wichtigen Themen und Trends informiert.
Das Passwort muss mindestens acht Zeichen lang sein.
*

Ich habe die AGB, die Hinweise zum Widerrufsrecht und zum Datenschutz gelesen und akzeptiere diese.

Mit der Registrierung akzeptiere ich die Nutzungsbedingungen der Portale im Industrie-Medien-Netzwerks. Die Datenschutzerklärung habe ich zur Kenntnis genommen.

Sie sind bereits registriert?