Predictive Maintenance – Service 4.0?

Unsere Servicetechniker sind die Feuerwehrleute der Industrie. Wenn es „brennt“ äußert sich das in einer Fehl- oder Nichtfunktion, Unzufriedenheit des Kunden oder schlimmstenfalls steht das Produktionsband gar still. Der Servicetechniker wird gerufen, der sich auf dem schnellsten Weg zur betroffenen Maschine macht, um den „Brand zu löschen“ – respektive die Reparatur in Angriff zu nehmen. Aus Erfahrung und mit ergänzenden Informationen findet er schnell den Fehler, hat die entsprechenden Ersatzteile bereits dabei und kann diese austauschen. So sieht zumindest der Idealfall aus. Leider ist oft jedoch genau das Gegenteil der Fall. So sind Art und Grund des Ausfalls vorab häufig nicht bekannt und die benötigten Teile nicht vorhanden. In diesem Fall kann die Anlage nur mit einiger Verzögerung repariert werden. Nach Überwindung aller Hindernisse und dem Abschluss der Reparatur ist die Arbeit des Servicetechnikers erledigt – zumindest bis es wieder „brennt“. Diese Form der Wartung nennt man Corrective Maintenance.

Um den Problemen – vor allem in den Stillstandzeiten – zu begegnen, wurde eine weitere Wartungsstrategie etabliert, die als Preventive Maintenance bezeichnet wird. Dabei folgt der Servicetechniker einem bestimmten Zeitplan und tauscht wichtige Komponenten, unabhängig vom Zustand, routinemäßig aus.

Mit dem Einzug von Industrie 4.0 und Fortschritten im Bereich des maschinellen Lernens eröffnet sich eine völlig neue Form der Wartung. Durch Predictive Maintenance verändert sich das Arbeitsbild des Servicetechnikers und die Anzahl der „Feuerwehreinsätze“ werden minimiert, so zumindest das Ziel. Kritische Komponenten werden ressourcenschonend genau zum richtigen Zeitpunkt ausgetauscht. Aus ökonomischer Sicht stellt Predictive Maintenance somit die beste Wartungsstrategie dar.

Der Schlüssel zu einem aussagekräftigen Vorhersagemodell, welches für die vorrausschauende Wartung eingesetzt werden kann, liegt im Sammeln der richtigen Informationen, der „Smart Data“. Mit aktueller Technik können nicht alle Komponenten und alle deren Ausfallarten einer komplexen Maschine überwacht werden. In einer Evaluationsphase werden die Problemstellen der Maschine identifiziert und – unter Berücksichtigung von Schadenshöhe, Häufigkeit und technischer Herausforderung der Vorhersage – priorisiert. Zusätzlich werden die physikalischen Zusammenhänge, welche für das Versagen der Komponenten verantwortlich sind, erkannt, um jene Stellen zu identifizieren, an denen Daten erhoben werden sollen. Notwendiges Werkzeug hierfür sind geeignete Sensoren, um die vermuteten Indikatoren an der Anlage zu überwachen. Nach der Sammlung dieser Informationen über einen längeren Zeitraum können diese historischen Daten dazu genutzt werden, um zukünftige Ereignisse vorherzusagen. Im KDD-Prozess (Knowledge Discovery in Databases) werden diese historischen Daten genutzt um statistische Modelle zu erstellen und zu „trainieren“, um die Grundlage für Vorhersagen zu bilden (z.B. per „Machine Learning“). Am Anfang des KDD-Prozesses stehen also verfügbare Daten und an dessen Ende das Wissen über die Zusammenhänge, welches aus den Daten gewonnen werden konnte.              

Der KDD Prozess besteht im Wesentlichen aus drei Schritten. Im ersten Schritt, dem Data Preprocessing, werden die Daten so aufbereitet, dass sie für die folgenden Schritte verwendet werden können. Dies beinhaltet u.a. die Integration von Daten aus verschiedenen Quellen, die Vereinheitlichung des Datenformats sowie das Entfernen überflüssiger Daten. Das Preprocessing ist notwendig, um die Daten für den nächsten Schritt in eine einheitliche Struktur zu bringen.
Im zweiten Schritt, dem Data Mining, werden Algorithmen angewendet, die in den Daten nach relevanten Mustern für die gestellte Aufgabe suchen. Dieser Schritt stellt den Kern des KDD-Prozesses dar, da hier die eigentliche Interpretation der Daten stattfindet und ein Vorhersagemodell erstellt wird. 
Als letzter Schritt folgt das Postprocessing, bei dem das Vorhersagemodell bewertet und evaluiert wird. Dies erfolgt mit einem Teil der im Vorhinein gesammelten Daten, für die man das „reale“ Ergebnis bereits kennt.
Um Vorhersagen mit einer ausreichenden Genauigkeit für Predictive Maintenance treffen zu können, müssen die verschiedenen Schritte des KDD-Prozesses möglicherweise mehrfach zur Optimierung von Modellparameter durchlaufen werden. Existiert ein funktionierendes Vorhersagemodell kann dieses genutzt werden, um aktuelle Maschinendaten verarbeiten und ungeplante Ausfallzeiten gering zu halten.
Parallel zur Anwendung des Modells ist dieses permanent auf Genauigkeit der Aussagefähigkeit zu prüfen und zu adaptieren um sicherzustellen, dass das Modell auch über die Zeit (z.B. bei sich ändernden Rahmenbedingungen) hinreichend aussagekräftig bleibt bzw. sich verbessert.

Abbildung 1: Die einzelnen Schritte des KDD-Prozesses

Durch ein funktionierendes Predictive Maintenance-System gelingt es, die Arbeit eines Servicetechnikers von einem reaktiven auf ein proaktives Level zu heben. Seine Aufgabe entwickelt sich vom Feuerwehreinsatz sozusagen zur „Feuervorhersage“ und „Feuerprävention“: Bevor eine Anlage ausfällt, erhält der Techniker einen Alarm, aus dem hervorgeht, welche Maschine und welche Komponente betroffen ist. Um zeitintensive Überraschungen zu vermeiden, besteht die Möglichkeit neben der errechneten Restlebenszeit den Grund des Ausfalls, also den Fehlertyp, zu erfahren. Durch die ausreichende Vorlaufzeit kann die Wartung optimal in die Arbeitsplanung aufgenommen werden. Am Einsatzort angekommen, kann – ohne langwierige Fehlersuche – der Austausch der entsprechenden Komponente vorgenommen und der Betrieb nach minimaler Stillstandzeit fortgesetzt werden.

Autoren

DI Roman Wambacher, Dr. tech. Alexander Grohmann, Markus Jeggle
Digital Enabler GmbH, Aurach, Österreich

Diese Veranstaltungen könnten Sie auch interessieren

Seminar
© Rapid Technology Center Duisburg
Verfahren der additiven Fertigung (3D-Druck)
  • 11.11. - 12.11.2019 in Nürtingen bei Stuttgart
  • 09.03. - 10.03.2020 in Düsseldorf
  • 12.05. - 13.05.2020 in Wien
  • 23.06. - 24.06.2020 in Frankfurt am Main

Im Seminar Grundlagen der additiven Fertigung lernen Sie Prozesse, Technologien und Trends des additiven Fertigungsverfahrens kennen. Hier mehr erfahren.

Informieren & Buchen

Seminar
© industrieblick - fotolia.com
Intelligente Kommunikationssysteme für Industrie 4.0
  • 12.11. - 13.11.2019 in Frankfurt am Main
  • 02.03. - 03.03.2020 in Freising bei München
  • 29.07. - 30.07.2020 in Düsseldorf
  • 26.10. - 27.10.2020 in Frankfurt am Main

Kommunikationssysteme für Industrie 4.0 – Industrie 4.0 Seminar für Entscheider aus Automatisierungstechnik, Produktion und Entwicklung. Alle Infos hier.

Informieren & Buchen

Der für Sie ausgewählte Bereich

  • Automation