Blog

Mit Predictive Maintenance Maschinen-Stillstandzeiten reduzieren

Stillstehende Maschinen und teure Service- und Technikereinsätze sind ein Albtraum in der industriellen Produktion.

Doch tatsächlich gibt es Möglichkeiten, diesem Schreckensszenario zu begegnen: Eine vorausschauende Wartung (Predictive Maintenance, PdM) kann die Standzeiten Ihrer Maschine und die damit verbundenen Serviceeinsätze reduzieren.

 

Ein Artikel von
Dr. Olaf Neugebauer

Lesezeit: ca. 7 Minuten

Datenübersicht für Predictive Maintenance und Digitalisierung

Moderne Maschinen bieten allerhand Sensoren, alte Maschinen können über Retrofit-Lösungen nachgerüstet werden. Diese Retrofit-Sensoren werden über Standardschnittstellen ausgelesen, die es wiederum neuartigen KI-Algorithmen ermöglichen, sich anbahnende Fehler zu erkennen und so eine vorausschauende Wartung im Sinne von Predictive Maintenance vorzuschlagen.  
 
Dieser Artikel ist der Startpunkt für eine kleine Serie, in der wir Ihnen das Thema Predictive Maintenance und Retrofit-Sensorik näherbringen möchten. 

Was ist Predictive Maintenance?

In der industriellen Produktion oder bei Maschinen im Kundeneinsatz ist Verfügbarkeit essentiell. Es gilt, Standzeiten möglichst zu reduzieren oder am besten ganz zu vermeiden. Früh haben sich fixe Wartungspläne – basierend auf Erfahrungen oder statischen Modellen – für besonders kritische Bauteile etabliert. Diese statischen Modelle lassen sich jedoch oft schlecht in die Praxis übertragen, da sie zum Beispiel Annahmen treffen, die im jeweiligen, vorliegenden Fall nicht vorliegen. Außerdem stellen dynamische Umgebungen, bei denen sich Parameter laufend ändern, eine Herausforderung für statische Modelle und fixe Wartungspläne dar.

Da Wartungsarbeiten aber immer Kosten verursachen, möchte man sie möglichst zielgenau steuern. Daraus ergeben sich folgende Fragen:

  • Ist das Bauteil vielleicht schon end-of-life, und ist die Wartung überhaupt nötig?
  • Welche anderen Bauteile sollten zusätzlich gewartet werden, um einen weiteren kostspieligen Technikereinsatz zu vermeiden?
  • Oder aus dem Blickwinkel der Service-Leitung: Wie plant man die Technikereinsätze möglichst optimal?


Mit Hilfe moderner, vernetzter IoT-Sensorik können wichtige Zustandsparameter der Maschinen in Echtzeit überwacht werden (Condition Monitoring). In diesem Zusammenhang spricht man auch oft von einem “digitalem Zwilling”. Mithilfe von Methoden der Data Science, wie KI oder maschinellem Lernen, können Systeme entwickelt werden, die (semi-)autonom und proaktiv Wartungen empfehlen. Letzteres heißt dann in der Fachsprache Predictive Maintenance (PdM). Durch Predictive Maintenance werden kritische Komponenten zum optimalen Zeitpunkt gewartet. Wenn ein Techniker zum Einsatz kommt, werden gleich weitere Bauteile zusätzlich in Augenschein genommen, um so weitere kostspielige Einsätze zu vermeiden.

Um ein gutes Vorhersagemodell zu entwickeln, benötigt man ausreichend Daten von Fehlerfällen – oft liegen diese jedoch nicht vor. Dies ist zum Beispiel der Fall, wenn bisher keine Daten erhoben oder diese nur unzureichend als Fehlerfall klassifiziert wurden. Ein möglicher Ansatz trotzdem Predicitive Maintenance einzusetzten, ist die sogenannte Annomalieerkennung. Darunter versteht man in diesem Zusammenhang die Erkennung von Fehlverhalten als Abweichung vom Regelfall, mit dem Ziel, dieses Verhalten möglichst frühzeitig zu erkennen und so geeignete Maßnahmen wie eine Wartung einleiten zu können.

In dem folgenden Fact Sheet haben wir die häufigsten Gründe, warum sich der Einsatz von Predictive Maintenance lohnt, zusammengefasst:

com2m Fact Sheet zu Predictive Maintenance

Typischer Analyseablauf in Predictive Maintenance Systemen

Ist ein Predictive Maintenance System einmal aufgesetzt, ist der Ablauf typischerweise immer ein ähnlicher. Zuerst werden die Daten in einem zentralen System, wie der com2m IoT-Cloud, gesammelt. Mögliche Quellen sind wie oben beschrieben Maschinendaten, das Service-System, Prozessleitsysteme oder zusätzliche Sensorik (s. Retrofit). Gerade eine Retrofit-Lösung ist besonders charmant, um bestehende Maschinen kosteneffizient zu digitalisieren – ist mit ihnen doch bereits eine Echtzeitüberwachung möglich.

Diese gesammelten Daten müssen entsprechend analysiert werden, so dass das Predictive Maintenance System Muster erkennen und ein Modell bilden kann, über das der Zustand der Maschine abgeleitet und so Wartungsempfehlungen gegeben werden können. Ein gutes und detailliertes Modell ist hier entscheidend für die Qualität des Gesamtsystems.

Der Ablauf einer Predictive Maintenance Projektes

Beispielhafter Predictive Maintenance Flow im Kontext Ihres Unternehmens

Viele Kunden fragen uns, wie sich der Predictive Maintanance Flow in ihrem Unternehmen abbilden lässt und ob neben den Sensordaten noch weitere Datenquellen relevant sind. Diese bieten tatsächlich einen immensen Mehrwert und sollten auf jeden Fall berücksichtigt werden. In Ihrem Unternehmen könnte die Datenpipeline wie folgt aussehen:

Auf der linken Seite befinden sich die Datenquellen. Hier unterscheiden wir häufig zwischen statischen und Live-Daten. Die statischen Daten stammen aus den Umsystemen wie SAP und enthalten z. B. die Stammdaten und Wartungshistorie der Maschinen. Gerade in diesen Datensätzen können sich wertvolle Informationen verbergen. Vielleicht hatte die betrachtete Maschine in der Vergangenheit mehrmals bestimmte Störungen oder wurde bereits häufig repariert, so dass sich von diesen Daten auch zukünftige Probleme ableiten lassen?

Zusätzlich müssen die Live-Daten aus dem Condition Monitoring der Maschinen betrachtet werden.

Wichtig ist, dass wir alle Daten analysierbar machen – dazu bauen wir häufig einen sogenannten Data Lake auf. In diesem „Daten-See” sammeln sich alle möglichen Daten, oft unstrukturiert, und dadurch nicht schon von vornherein in ein enges Korsett gesteckt. Mit diesen Daten arbeiten dann die Data Scientisten, z. B. mit Frameworks und Werkzeugen wie R oder Python (s. Schaubild).

Die Ergebnisse der Daten-Analyse werden verständlich aufbereitet und in der „Visualisierungsschicht“ (ganz rechts im Bild) dargestellt, z. B. in Form von Wartungsempfehlungen im Service-Dashboard oder in kritischen Fällen auch als Push-Nachricht auf dem Mobiltelefon der Service-Techniker. Eine weitere Möglichkeit ist es, mit Hilfe von Standardwerkzeugen wie PowerBI oder Tableau den Mitarbeitern, im Sinne eines Self-Service, die Möglichkeit, zu geben eigene Analysen und Darstellungen zu entwickeln.

Warum kann Data Science mit realen Maschinendaten schwierig sein? 

Doch wenn alles so einfach klingt, warum gibt es keine Standardlösungen für Predictive Maintenance? So rosig die Versprechungen sind, es gibt einige Fallstricke, die unbedingt beachtet werden sollten.  

Im besten Fall dauert es lange bis eine Maschine kaputt geht – gerade das stellt Data Scientisten vor eine große Herausforderung. Fehlerzustände sind im Vergleich selten und deren Menge nicht umfassend bekannt, wodurch klassische Ansätze der Klassifikation nicht effizient arbeiten können, beziehungsweise eine starke Reduktion der Trainingsdaten erfordern.  

Eine weitere Herausforderung bei der Analyse von realen Maschinendaten sind kleine Unterschiede zwischen den einzelnen Anlagen oder Anlagentypen. Oft ist es jedoch nicht wirtschaftlich, für alle Möglichkeiten einzelne Lösungen zu entwickeln, sondern sinnvoller, ein allgemeines Modell bereitzustellen, das nicht für jedes Produkt angepasst werden muss. Dieses Modell kann zur Anwendungszeit weiter optimiert werden. Hieraus ergeben sich vielschichtige Herausforderungen bei der Entwicklung einer Methodik zur Erkennung und Identifizierung von Fehlerzuständen der Maschinen.  

Schlussendlich muss Predictive Maintenance immer als Erweiterung des bestehenden Service gesehen werden und in Einklang mit den bereits existierenden Strukturen gebracht werden. Wichtig ist, dass Predictive Maintenance nie bestehende Mitarbeiter ersetzen soll, sondern Hilfestellungen zur Optimierung gibt.

Gerne unterstützen wir Sie bei Ihrem Vorhaben, kontaktieren Sie uns einfach!

 

 

 

 

Vorschaubild: Markus Winkler on Unsplash

Dieses Thema interessiert Sie? Nehmen Sie Kontakt mit uns auf.

Olaf Neugebauer Head of Development bei der com2m

Dr. Olaf Neugebauer ist Head of Development bei der com2m.

Weitere Themen für Sie

Predictive Maintenance als Teil unseres Portfolios

Predictive Maintenance ist ein wichtiger Aspekt unseres Leistungsangebotes rund um Data Engineering und KI.