Predictive Maintenance

Andrea Gillhuber,

Vorausschauende Wartung effektiv nutzen

Das Vermeiden von Maschinenausfällen durch Zustandsüberwachung ist eine der größten Herausforderungen für Anlagenbetreiber. Unter Industrieanlagen versteht man hier die Gesamtheit der überwachbaren Maschinen in einer Fabrik, die steuerungstechnisch miteinander verbunden sind. 

Das Vermeiden von Maschinenausfällen durch Zustandsüberwachung ist eine der größten Herausforderungen für Anlagenbetreiber. Unter Industrieanlagen versteht man hier die Gesamtheit der überwachbaren Maschinen in einer Fabrik, die steuerungstechnisch miteinander verbunden sind. © PopTika / Shutterstock.com

Wie verheerend Stillstand sein kann, zeigen Forschungsergebnissen des US-Beratungsunternehmens Aberdeen Research: So kann eine Stunde Maschinenausfall Betriebe bis zu 234.000 Euro kosten. Predictive Maintenance, insbesondere wenn sie auf Künstlicher Intelligenz basiert, findet daher immer häufiger Einzug in deutsche Produktionsbetriebe. Allerdings herrscht bei der Umsetzung KI und Machine-Learning-gesteuerter Technologien noch erheblicher Nachholbedarf, wie eine von Fraunhofer IAO im Jahr 2019 durchgeführte Studie zeigte. Für die Erhebung „Künstliche Intelligenz in der Unternehmenspraxis“ wurden 300 Unternehmen befragt – sie zeigt, dass sich bereits 75 Prozent mit dem Thema KI beschäftigen. Allerdings zeigte die Studie auch, dass erst 16 Prozent der Firmen tatsächlich KI-basierte Lösungen im Betrieb einsetzten. Die Anwendungsfelder lagen dabei im Bereich der Daten-und Informations-extraktion und darauf aufbauenden Analysen und Prognosen (Predictive Analytics). Predictive Maintenance (PdM) nutzen 25 Prozent der befragten Unternehmen.Einer der Gründe für den Nachholbedarf deutscher Industrieunternehmen bezüglich der konkreten KI-Umsetzung könnte die Tatsache sein, dass die Welt der Datenwissenschaft voll von Modellen ist und Entscheider aus dem Produktionsumfeld sich darin nur schwer zurechtfinden. Sie glauben, die konkreten Ergebnisse und Vorteile einer Predictive-Maintenance-Lösung nicht direkt sehen zu können. Auch verbinden sie die Implementierung mit hohen Kosten, großem Arbeitsaufwand und scheuen davor, Expertise von außen hinzuzuziehen. Hier gilt es für Betreiber, sich ausreichend zu informieren und die geeignete Lösung für den eigenen Betrieb zu finden. Die Entwicklung eines eigenen Modells und eigener Algorithmen ist zwar ebenfalls möglich, aber in der Umsetzung aus verschiedenen Gründen nicht praktikabel.

Anzeige

Zwischen Theorie und Praxis

In der Theorie sind ein Modell und seine Umsetzung gleich – in der Praxis allerdings nicht. Akademische Arbeiten zum Thema Datenwissenschaft können Analysen beinhalten, die zeigen, wie Algorithmen anderen gegenüber um ein oder zwei Prozentpunkte überlegen sind, aber in der realen Fabrikumgebung mit Millionen von Daten und Signalen ist es schwer, überhaupt Muster zu erkennen.

Dies ist jedoch nur das erste große Hindernis, das die potenziellen „Do it yourself“-Modellentwickler (DIY) überwinden müssen. Wer es schafft, ein robustes Konzept zu entwickeln, das unter realen Bedingungen funktioniert, stößt sofort auf das nächste große Problem: Nützliche Modelle müssen implementiert und nicht nur entwickelt werden.

Implementierung bedeutet zum einen, die Modelle im richtigen Maßstab zu betreiben. Es bedeutet auch, eine Benutzer- oberfläche bereitzustellen, die die Ergebnisse übersichtlich und nutzerfreundlich präsentiert und es verschiedenen Gruppen ermöglicht, beispielsweise Warnungen zu priorisieren oder Feedback zu sammeln. Arbeiten 20.000 Roboter in einer Anlage, ist es nicht trivial, über eine Benutzeroberfläche interaktive Diagramme für alle bereitzustellen. Tatsächlich stellen DIY-Entwickler in der Regel fest, dass sie eigentlich eigene Apps entwickeln. Das bindet Kosten und Ressourcen.

Aus diesen Gründen kann es von Vorteil sein, einen Partner zu suchen, der datenwissenschaftliche Expertise und die Hilfe bei der Implementierung bietet. Zwar mögen Unternehmen denken, dass ihre eigenen, benutzerdefinierten Modelle besser funktionieren können als generische Algorithmen, allerdings ist der Unterschied hier oft marginal und die negativen Aspekte des Alleingangs können weitaus überwiegen.

So sind beispielsweise die Modelle für PdM-Anwnedungen mit eigenen, benutzerdefinierten Modellen vergleichbar, funktionieren dabei aber effizienter. Idealweise werden hier die Algorithmen des maschinellen Lernens eingesetzt, die Daten für eine genaue Vorhersage der Restnutzungsdauer (Remailing Useful Life) von Anlagen nutzen – eine Technik, die als Prognostik bekannt ist.

Bei der Wahl geeigneter PdM-Lösung sollte man darauf achten, dass die Algorithmen jede Maschine als einzigartig betrachten und so behandeln – auch wenn sie die gleiche Marke und das gleiche Modell sind. Dies hat folgenden Grund: Maschinen, die gleich beginnen, verhalten und verschleißen sich im Laufe der Zeit unterschiedlich, da sie in ihrer unmittelbaren Umgebung oder aufgrund der von ihnen ausgeführten Arbeiten unterschiedlichen Belastungen ausgesetzt sind. Die Behandlung jedes einzelnen Assets als Individuum mit einem einzigartigen „Verhaltensfingerabdruck“ erhöht die Genauigkeit der Prognosen und hilft die Betriebszeit zu maximieren.

Hat ein Industriebetrieb bereits ein Modell entwickelt, kann eine effektive PdM-Lösung dieses über ein API in das System integrieren. Zwar ist das eigene Modell selbst nicht in der Lösung integriert, doch die Software kann die Ergebnisse des Modells trotzdem als Input übernehmen. Der Vorteil der generischen Algorithmen von Herstellern liegt darin, dass sie mit der realen Welt so umgehen, wie sie ist – nicht so, wie der Idealzustand wäre. Dies führt dazu, dass die Modelle selbst in den lautesten Datenumgebungen extrem robust sind. Möchte ein Anwender in der Fertigung Prognostik und Predictive Maintenance implementieren, ist dieser Ansatz besonders bei der Erfassung von Daten aus Ausfällen wichtig. In einem relativ chaotischen Moment müssen aussagekräftige Informationen aus dem „Rauschen“ extrahiert werden, damit das System einen möglichen Fehler identifizieren und eine Warnung auslösen kann, bevor die Maschine ausfällt.

Teamwork macht sich bezahlt

Auch wenn die Einbindung von externem Fachwissen die ressourceneffizienteste Art ist, Modelle für Condition-based Monitoring und Predictive Maintenance einzusetzen: Die Anwender spielen eine wichtige Rolle, um das Potenzial generischer Datenmodelle voll auszuschöpfen. Zunächst einmal gibt es bei der Bereitstellung eines generischen Modells immer eine Lernkurve. So benötigen viele Lösungen aus dem Bereich zunächst 14 Tage, um Ergebnisse zu liefern – sie erstellen einen „Fingerabdruck“ des einzigartigen Verhaltens jeder Maschine unter normalen Betriebsbedingungen.

Durch das Wissen interdisziplinärer Teams aus Condition-Monitoring-Spezialisten, Maschinenbauern und Technologieexperten kann das System im Voraus konfiguriert werden, so können Daten und Ereignisse priorisiert werden. Dies beschleunigt den anfänglichen Lernprozess der Algorithmen. Längerfristig ermöglicht ein System des regelmäßigen Feedbacks es den Algorithmen, sich ein Bild von für den Anwender wichtigen Ereignissen und Trends zu machen. Dies ist nützlich bei der Bereitstellung generischer Modelle.

Potenzial durch KI und Machine Learning

Im Zuge der digitalen Transformation werden Künstliche Intelligenz und Machine Learning in Zukunft eine große Rolle spielen – besonders im Bereich Predictive Maintenance. Noch besteht ein gewisser Nachholbedarf bei der Implementierung KI- und ML-basierter Software. Dies liegt auch daran, dass Verantwortliche von der vermeintlichen Komplexität abgeschreckt sind. Hier können externe Partner helfen, zum Beispiel durch fundierte, generische Algorithmen, die im Betrieb stetig weiter lernen, sowie bei der Implementierung. Unterstützung gibt es auch in den Bereichen Skalierung, Bereitstellung, Benutzerfreundlichkeit und Sicherheit.

Einige Anbieter können ungeplante Maschinenstillstandszeiten um bis zu 50 Prozent reduzieren, die Produktivität des Wartungspersonals um bis zu 55 Prozent erhöhen sowie die Genauigkeit der Prognose von Ausfallzeiten um 85 Prozent steigern.

Peter Portner, Managing Director DACH bei Senseye / ag

Anzeige

Das könnte Sie auch interessieren

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige

Newsletter bestellen

Immer auf dem Laufenden mit dem SCOPE Newsletter

Aktuelle Unternehmensnachrichten, Produktnews und Innovationen kostenfrei in Ihrer Mailbox.

AGB und Datenschutz gelesen und bestätigt.
Zur Startseite