Industrie 4.0: Was ist Predictive Maintenance?

Dieser Beitrag soll einen Überblick über den aktuellen Stand und den potenziellen Möglichkeiten von Predictive Maintenance – der vorausschauenden Instandhaltung – im Bereich Maschinenbau verschaffen. Des Weiteren werden die Unterschiede zu den verschiedenen Wartungsstrategien und zu Analyseansätzen erörtert. Am Ende soll der Leser ein Verständnis für folgende Themen bekommen:

  • Welche Strategien zur Instandhaltung von Maschinen gibt es?
  • Was versteht man unter „Condition Monitoring“ und worin liegt der Unterschied zur vorausschauenden Wartung?
  • Wie unterscheidet sich Machine Learning von herkömmlichen statistischen Analyseverfahren?
  • Welche Hersteller und Tools für Predictive Maintenance sind auf dem Markt verfügbar?

 

Wartungsstrategien

Um einen fehlerfreien Betrieb von Maschinen sicherzustellen, gab es bislang zwei Varianten von Wartungsstrategien: die „turnusmäßige Wartung“ und die „reaktive Wartung“. Die reaktive Wartung beruht darauf, dass Maschinen ohne vorbeugende Instandhaltungsaktivitäten betrieben werden. Erst bei Ausfall einer Komponente wird die Maschine für Reparaturmaßnahmen gestoppt. Die Einsparungen bei den Investitionskosten und dem Wartungspersonal können in der Regel die Ausgaben bei Produktionsstillstand, Maschinenausfall und Folgeschäden nicht decken. Zusätzlich entstehen Probleme in der Produktionsplanung und somit weitere Umsatzeinbußen. Bei der präventiven Wartungsstrategie werden Maschinen in regelmäßigen Abständen gewartet. Der wesentliche Vorteil von Predictive Maintenance gegenüber der klassischen, vorbeugenden Wartung besteht in der frühzeitigen Erkennung von Anomalien aus der Analyse der Betriebsdaten. Somit können gezielt Vorhersagen für Wartungsbedarf und -intervalle getroffen werden. Die weiteren Vorteile sind in der Vergleichstabelle aufgeführt:

 

Begriffsklärung und Abgrenzung

Bei dem Begriff Predictive Maintenance, der vorausschauenden Wartung, geht es um die konkrete Vorhersage von Zeitpunkten für tatsächlich notwendige Wartungseinsätze. Aktuell wird der Begriff Predictive Maintenance oft verwendet im Zusammenhang mit

  • Condition Monitoring, der Anzeige von Echtzeitdaten
  • der Reaktion auf Störfälle, z.B. Planungsänderungen für die Produktion im MES-System und
  • der nachgelagerten Analyse der Störfälle, z.B. zur Optimierung der Maschinen.

Wir betrachten jedoch bei Predictive Maintenance ausschließlich das Thema der vorausschauenden Wartung sowie der optimalen Vorhersage von potenziellen Störfällen und Komponentenausfällen. Einerseits können mit Vorhersagen ungeplante Maschinenstillstände verhindert und somit Reparaturkosten reduziert werden. Andererseits wird die Anlagenverfügbarkeit gesteigert da nur die wirklich notwendigen Wartungsarbeiten durchgeführt werden müssen.

Abbildung – Zeitdiagramm

 

Studien

Maschinenhersteller stehen im weltweiten Wettbewerb. Für den Kunden gilt: wer nicht nach Plan liefern kann, den ersetzt im Zweifelsfall ein anderer Lieferant. Deshalb wird es immer wichtiger, drohende Stillstandszeiten und unvorhergesehene Ausfälle von kritischen Maschinenkomponenten möglichst im Vorfeld zu erkennen und vorzubeugen.

Laut einer Studie des Weltwirtschaftsforums und des Beratungsunternehmens Accenture ließen sich unerwünschte Stillstände mit den richtigen Predictive Maintenance Maßnahmen um bis zu 70% reduzieren. Durch frühzeitig geplante Reparaturen könnten Unternehmen zudem im Schnitt 12% und bei Wartungsarbeiten sogar 30% an Kosten einsparen. Das Departments of Energy (DOE) in den USA hat errechnet, dass sich Wartungskosten mittels Predictive Maintenance um bis zu 30% reduzieren lassen könnten und dass bis zu 75% der Betriebsausfälle verhindert werden könnten.

Eine weitere Studie von Roland-Berger, veröffentlich im April 2017, zeigt zudem, dass mit Predictive Maintenance nur noch 15% der Zeit mit Instandhaltung verbracht wird, bei „reaktiver“ Instandhaltung seien dies 40% der Zeit. Das Einsparpotenzial hinsichtlich Kosten und Zeit ist also enorm. Investitionen könnten sich somit sehr schnell amortisieren.

Links zu den Studien:

Industrial Internet of Things: Unleashing the Potential of Connected Products and Services

World Economic Forum, Accenture, Januar 2015

Predictive Maintenance

Roland-Berger, VDMA, Deutsche Messe, April 2017

 

Unterschiede

Da die Unterschiede zwischen „Statistischen Verfahren“ und „Maschinellem Lernen“ oft für Verwirrung sorgen, sind in der unteren Tabelle die wesentlichen Merkmale zum besseren Verständnis kurz und prägnant aufgeführt.

 

Supervised Learning

Nach der Installation der Maschine werden in einer Trainingsphase Daten zu allen überwachten Komponenten gesammelt. Auf Grundlage dieser historischen Daten ermittelt ein Mustererkennungsalgorithmus einen allgemeinen „Gesundheitszustand“ der Maschine. Nach der erfolgreichen Trainingsphase überwacht das Analyse-Programm alle neuen Daten nach den erlernten Mustern, die bereits in der Trainingsphase schon zu Störfällen geführt haben. Konzeptionell kann das Analyse-Programm kontinuierlich mit den neu angefallenen Daten immer wieder nachtrainiert werden, um die Prognose für eine fällige Wartung weiter zu optimieren.

 

Unsupervised Learning

Beim unsupervised Learning wird nicht trainiert. Die Daten werden in Echtzeit nach Anomalien untersucht. Diese können zum Beispiel Drucksensordaten oder die Werte der Leistungsaufnahme eines Motors sein. Das System lernt selbständig, neue und unbekannte Störfälle zu erkennen. Sehen Sie hierzu auch die Publikation von Prof. Wolfgang Ertel:

„Model Free Diagnosis of Pneumatic Systems using Machine Learning“

 

Datenquellen

Für das Training benötigen die Mustererkennungsalgorithmen unter anderem historische Daten der Sensoren, die an den einzelnen Komponenten der Maschine für das Condition Monitoring angebracht sind. Sensoren sind jedoch nicht die einzige Datenquelle, die man für die Prognose von Komponentenausfällen heranziehen kann. Weitere Datenquellen können sein:

Abbildung – Weitere Datenquellen

 

Marktüberblick

Unser Ziel ist es, eine unabhängige, technologieneutrale und kritische Bewertung von etablierten und neuen Konzepten, Methoden und Best Practices in den Bereichen Big Data Analytics, Predictive Analytics unseren Kunden anzubieten. Das Research-Unternehmen IOT Analytics hat über 110 Anbieter, die Softwarelösungen und Tools für Predictive Maintenance anbieten, unter die Lupe genommen. Entscheidend für die geeignete Auswahl an Datenanalyselösungen und Tools sind eine genaue Anforderungsanalyse und eine herstellerunabhängige und anforderungsorientierte Beratung. Eine effiziente Predictive Analytics Lösung soll ebenso sichergestellt sein, wie die individuelle Anpassbarkeit an die speziellen technischen und strategischen Anforderungen des Projekts bzw. des Kunden.

Bewertung von Predictive Maintenance Softwarelösungen und -Tools: 

IOT Analytics – Predictive Maintenance Tools und Lösungen

 

Unser Ziel

Angesichts der Möglichkeiten, die Maschinelles Lernen und Big Data Analytics bieten, um Prozesse zu vereinfachen und Mitarbeiter zu unterstützen, verfolgt AISOMA eine klare Vision: Wir wollen die Analyse Ihrer Maschinendaten intelligenter machen. Auch in Ihrem Unternehmen gibt es Szenarien, in denen künstliche Intelligenz massiv zur Lösung konkreter Geschäftsprobleme beitragen kann. Daher setzen wir im Bereich Predictive Maintenance auf Co-Innovation mit Partnern und Kunden, um schnell und punktgenau echten wirtschaftlichen Mehrwert für Ihr Unternehmen zu generieren.

Wir zeigen Ihnen wie Sie das Maximale aus Ihren Daten rausholen können und dies als herstellerunabhängiger Berater. Sprechen Sie uns an!

Ihr AISOMA Team

Kontakt: info@aisoma.de