en
de

Predictive Maintenance: Faktenbasiert Entscheiden am Beispiel Produktion

19 Februar 2016
| |
Lesezeit: 6 Minutes

Wie treffen Sie geschäftsrelevante Entscheidungen? Eine einfache Frage, die sehr viel Spielraum für Antworten lässt. Von der Geschäftsstrategie bis zur aktuellen Marktsituation sind viele Kriterien zu beachten. Predictive Analytics, in der Produktion oft als Predictive Maintenance bezeichnet, bietet die Möglichkeit Entscheidungskriterien auf Fakten zu basieren. Dazu werden Modelle eingesetzt, die anhand von Maschinen-, Geschäfts- oder Kundendaten Vorhersagen treffen. Richtig eingebettet können sich die positiven Einflüsse von Vorhersagemodellen auf alle Bereiche des Unternehmens auswirken.

Von der Theorie zur Praxis: Wie verändert Predictive Maintenance die Produktion?

Eine Maschine wird heute im Regelfall nicht erst gewartet, wenn sie defekt ist. Qualitätskontrolle, Sensorik sowie Erfahrungswerte sorgen dafür, dass Verschleißteile bereits vor dem Ausfall der Maschine ausgetauscht werden. Je nach Kosten des Verschleißteiltauschs wird entweder gewartet, bis die Qualität der produzierten Produkte nicht mehr stimmt oder der Tausch wird nach festen Zyklen vorsorglich vorgenommen. So kann es zu unnötigen Nacharbeiten kommen beziehungsweise bleibt es unklar, wie lange das Verschleißteil noch einsetzbar gewesen wäre.

Theoretisch gibt es für jedes denkbare Bauteil eine Möglichkeit, den Verschleiß anhand der physikalischen Eigenschaften des Verschleißteils und seines Umfelds zu modellieren. Ein aufwändiger Prozess, der komplizierte Berechnungen von Modellen und Abläufen für jedes Ersatzteil erfordert. Das ist in der Regel nur bei sehr kritischen Teilen, wie zum Beispiel im Flugzeugbau, vertretbar. Doch selbst hier wird mittlerweile wegen der massiven Generierung von Sensordaten (rund 500 MB pro Flug) der Weg hin zu datenbasierten Vorhersagemodellen gegangen.

Predictive Analytics: Modelle für erwarteten Verschleiß werden anhand automatisch aufgezeichneter Sensordaten trainiert. Das Wissen der Domänenexperten ist dabei eine wichtige Entscheidungsgrundlage für die Wahl und das Training des Modells. Das trainierte Modell kann anhand aktueller Sensordaten den Zustand der Verschleißteile und – nach Möglichkeit – auch deren nächsten Ersatzzeitpunkt vorhersagen. Der große Vorteil an diesem Vorgehen: die Modelle bilden nicht nur das Domänenwissen ab. Das angewandte Lernverfahren bezieht alle Einflussgrößen ein und zeigt so auch bislang nicht beachtete Zusammenhänge auf.

Automatisierte Geschäftsentscheidungen mit Vorhersagemodellen

Natürlich ist es nicht immer möglich, das perfekte Vorhersagemodell zu erlernen; oft muss mit Unsicherheiten gearbeitet werden. Darum müssen Entscheidungen, die auf einem Vorhersagemodell basieren, immer von Domänenexperten sorgfältig abgewogen und definiert werden. Ein Beispiel: das Modell sagt den Ausfall eines wichtigen Kugellagers an einer Produktionsmaschine in vier Tagen mit einer 90% Wahrscheinlichkeit voraus. Ein Austausch des Kugellagers bedeutet 8 Stunden Ausfall der Maschine.

Auf Basis der Vorhersage ergeben sich Möglichkeiten für automatische Geschäftsentscheidungen:

  • Anforderung des Ersatzteils aus dem Zentrallager
  • Zuweisung eines anstehenden Eilauftrags an einen anderen Standort
  • Terminierung des Bauteiletausches für den übernächsten Tag, da die aktuelle Charge dann fertig produziert sein wird
  • Reservierung der Servicetechniker für den geplanten Austauschzeitraum
  • Anpassung der Produktionsreihenfolge für den nachfolgenden Auftrag, um den geplanten Maschinenausfall abzufedern

Ein so umfangreiches Spektrum an Möglichkeiten kann selbstverständlich nur genutzt werden, wenn ein entsprechendes Vertrauen in die Modelle besteht. Dafür muss ein Verständnis der grundlegenden Wirkungsweise der eingesetzten Algorithmen bei allen Stakeholdern eines Predictive-Analytics-Projektes geschaffen werden. Nur wenn Entscheider und Domänenexperten dem Vorgehen vertrauen, wird es sich in der Praxis bewähren.

Wie kommt Predictive Analytics in Ihr Unternehmen?

Zühlke beantwortet die Frage mit einem klaren: „Schlank“. Ein erster Predictive-Analytics-Prototyp muss in wenigen Wochen realisiert werden können und allen Beteiligten eine realistische Vorstellung des Verfahrens geben. Nur so kann der Nutzen kostengünstig nachgewiesen werden. Ein wichtiger Schritt hierzu ist die Wahl des „richtigen“ Use-Cases. In der Produktion ist dies üblicherweise die Vorhersage eines Teiletausches. Doch welches Teil ist für einen Prototyp heranzuziehen? Dafür haben wir einen effektiven Prozess, den „Industrie 4.0 Accelerator. Er ermöglicht es, zielgerichtet eine erfolgversprechende Vision für einen Predictive Analytics Prototyp zu schaffen. Der zentrale Punkt sind die Sensordaten.

Für einen Prototyp ist es meist nicht notwendig, eine umfangreiche vernetzte Datensammlung zu integrieren. Oft steht ein entsprechender Datensatz schon zur Verfügung, beispielsweise weil schon firmenintern Experimente durchgeführt wurden. Andernfalls kann durch Anwendung von pragmatischen Lösungen, wie dem Anschluss eines Datenloggers direkt an die Steuerung einer Maschine, meist schnell eine Datenbasis geschaffen werden. Selbst wenn es einmal keine verbauten Sensoren gibt, kann sogar ein Smartphone schnell für eine Datensammlung konfiguriert werden.

Mit einem genügend großen Datensatz kann die Umsetzung des Vorhersagemodells starten. Erst werden die Daten in wiederholter Rücksprache mit den Domänenspezialisten aufbereitet und dann ein geeignetes Vorhersagemodell trainiert. Alle Schritte von den Daten bis zum Modell werden in einer Data Story festgehalten. Sie dient zur transparenten Kommunikation des Vorgehens, beleuchtet wichtige Eigenschaften des gelernten Modells und zeigt seine Stärken und Schwächen auf. Neben der technischen Betrachtung beinhaltet sie auch den Geschäftsnutzen. Anhand der aufgezeigten Modelleigenschaften erfolgt die Bewertung des Modells aus der Unternehmensperspektive anhand einer detaillierten Kosten-Nutzen-Analyse.

Mit IoT-Plattform schneller zum Ziel

Hat sich ein Modell im Prototyp bewährt, steht der Integration in eine Datenlandschaft nichts mehr im Wege. Der große IoT-Boom hat für ein fruchtbares Umfeld an Technologien gesorgt, die es ermöglichen, Sensoren, Algorithmen und Datenseen zu verknüpfen. Zühlke selbst setzt diese Technologien als Grundlage für die eigens entwickelte Zühlke IoT Platform ein, eine vorgefertigte Lösung zur schnellen Schaffung skalierbarer Datenlandschaften. In der Landschaft stellt das Vorhersagemodell einen wichtigen Verbindungsweg dar, der die Flut der Datenquellen dafür verwendet, die richtigen Räder der Kundensysteme anzutreiben.
Den Weg von der ersten Vision des Vorhersageszenarios hin zum Prototyp und darüber hinaus bis zum Produktivbetrieb in der Datenlandschaft begleitet der Zühlke Prozess „Agile Delivery Method“, eine Spezialisierung des bewährten, agilen Vorgehens zur Softwareentwicklung.

Agile Delivery Method

Bild 1: Die Agile Delivery Method von Zühlke

Fazit

Ein Vorhersagemodell produktiv einsetzen heißt auch: Die Chance auf effizientere Geschäftsprozesse nutzen. Die Voraussage der Lebensdauer von Verschleißteilen kann beispielsweise zur Steuerung von Ersatzteilbestellungen, Planung von Servicetechniker-Einsätzen zum Teiletausch, Festlegung von Auftragsfolgen in der Produktion, Vorhersage von Kundenauslieferungen und vielem mehr eingesetzt werden. So kann mit dem ersten Data-Analytics-Szenario eine Transformation angestoßen werden, in der immer mehr Maschinendaten und Vorhersagemodelle bessere Geschäftsentscheidungen ermöglichen.

Die Verfügbarkeit von Daten und die Möglichkeiten zur automatischen Generierung von Vorhersagemodellen können auch kleine und mittelständische Unternehmen nutzen, um Daten als Grundlage für Geschäftsentscheidungen zu nutzen. Zühlke bietet mit dem Industrie 4.0 Accelerator und der Agile Delivery Method Prozesse, die Unternehmen von der Auswahl des ersten Prototyps bis hin zum Live-Betrieb eines Vorhersagemodells unterstützen. Vorgefertigte Bausteine wie die IoT-Plattform und die Embedded Platform sorgen für einen schnellen Erfolg genauso wie das umfangreiche Portfolio vom Embedded Engineer bis hin zum Data Scientist.

Sie interessieren sich für das Thema Internet of Things und Predictive Maintenance?
Wir freuen uns auf Ihren Besuch an unserem Stand auf der Hannover Messe (Halle 7, Stand C40 auf dem Microsoft Stand). Vereinbaren Sie gerne auch schon vorab einen Termin mit uns oder kontaktieren Sie uns bei Fragen direkt!

Kommentare (0)

×

Updates

Schreiben Sie sich jetzt ein für unsere zwei-wöchentlichen Updates per E-Mail.

This field is required
This field is required
This field is required

Mich interessiert

Select at least one category
You were signed up successfully.

Erhalten Sie regelmäßige Updates zu neuen Blogartikeln

Jetzt anmelden

Oder möchten Sie eine Projektanfrage mit uns besprechen? Kontakt aufnehmen »