Vorausschauende Instandhaltung ist nicht nur eine Frage der KI

Vorausschauende Instandhaltung bezeichnet die Nutzung neuer und historischer Maschinendaten, um Leistungsprobleme zu erkennen und vorherzusagen, bevor sie auftreten. Durch den Einsatz ausgefeilter Technikenmachine learning der künstlichen Intelligenz zur Analyse der in modernen Fabriken generierten Daten können vorausschauende Analysen Ausfallzeiten reduzieren, die Anlagenleistung optimieren und die Lebensdauer von Maschinen verlängern.

Die Versprechen, die im Zusammenhang mit der vorausschauenden Instandhaltung (PdM) gemacht werden, sind groß. Zweistellige Steigerungen bei der Anlagenauslastung. Intelligente Maschinen, die Leistungsprobleme erkennen, bevor sie auftreten. Enorme Steigerungen bei Gesamtanlageneffektivität (OEE), TEEP und OPE.

Für die meisten liegt diese Welt noch in weiter Ferne. Und was noch wichtiger ist: Das ist kein Problem, das sich allein mit den richtigen Vorhersagealgorithmen lösen lässt.

In diesem Artikel werde ich die vorausschauende Instandhaltung in einen größeren Zusammenhang stellen. Ich werde erläutern, warum PdM nicht nur eine Frage der KI ist, und konkrete Schritte aufzeigen, mit denen Sie das Beste aus Ihrem Maschinenüberwachung herausholen können.

Die meisten derzeitigen Wartungsprogramme in der Fertigung sind präventiv ausgerichtet. Die vorbeugende Wartung (PM) erfolgt in regelmäßig festgelegten Abständen oder wenn Maschinen festgelegte Produktionsgrenzwerte überschreiten.

Vorbeugende Wartung ist wichtig, um den einwandfreien Zustand der Anlagen zu gewährleisten, doch sie ist ein stumpfes Instrument. Bei der vorbeugenden Wartung werden weder die Betriebsbedingungen einer einzelnen Maschine noch der unterschiedliche Verschleiß verschiedener Maschinenteile oder andere Faktoren berücksichtigt, die einen Ausfall vorhersagen könnten. Dies führt oft zu Wartungsintervallen, die häufiger oder seltener sind, als eigentlich nötig wäre. (Ein klassisches Beispiel ist der Ölwechsel am Auto alle 3000 Meilen, unabhängig von der Leistung.)

Die vorausschauende Instandhaltung hingegen nutzt die von einer bestimmten Maschine generierten Daten, um ein detaillierteres Bild der Lebenszyklen von Bauteilen und Anlagen zu erstellen. Theoretisch macht die vorausschauende Instandhaltung (PdM) das Rätselraten bei der Planung von Wartungsarbeiten überflüssig. Indem sie Einblick in den Verschleißverlauf einer bestimmten Maschine gewährt, ermöglicht die PdM Herstellern eine effektivere Verwaltung der Instandhaltung.

Der Erfolg jeder Maßnahme zur vorausschauenden Instandhaltung hängt von der Qualität und Quantität der in einem Trainingsdatensatz verfügbaren Daten ab.

Das heißt, Sie benötigen 1.) ausreichende Daten, um ein repräsentatives Bild der Maschinenleistung im Zeitverlauf zu erstellen, und 2.) Daten, die die Maschinenleistung und -nutzung unter den örtlichen Gegebenheiten genau widerspiegeln.

Um zu verdeutlichen, warum sowohl eine ausreichende Datenmenge als auch qualitativ hochwertige Daten wichtig sind, werde ich auf beide Aspekte näher eingehen. Zunächst zur Datenmenge.

Es ist ein Mythos, dass man Petabytes um Petabytes an Maschinendaten benötigt, um Vorhersagealgorithmen erfolgreich zu trainieren. Es ist auch ein Mythos, dass mehr Daten besser sind. Ich bin mir sicher, dass viele von Ihnen den Ausdruck „Garbage in, garbage out“ schon einmal gehört haben, der beschreibt, wie ein schlechter Trainingsdatensatz zu suboptimalen Ergebnissen führt.

Für PdM benötigen Sie ausreichend Daten, um ein repräsentatives Bild der Maschinenleistung zu erhalten, das deren Einsatz in einem bestimmten Arbeitsgang widerspiegelt.

Einem Professor für Wirtschaftsingenieurwesen zufolge ist es keine leichte Aufgabe, eine repräsentative Stichprobe zu erstellen. „Wenn es Tausende von Variablen gibt, benötigt man in der Regel Daten zu Hunderttausenden oder Millionen von Teilen, um aussagekräftige statistische Zusammenhänge zwischen Problemen und deren Ursachen zu ermitteln.“

Dies gilt insbesondere, wenn man die einschränkenden Formulierungen – „Verwendung in einem bestimmten Vorgang“ – berücksichtigt.

Und zwar aus folgendem Grund: Der Lebenszyklus einer Maschine erstreckt sich über Jahre, wenn nicht sogar Jahrzehnte. Um einen repräsentativen Datensatz zu erheben, muss eine Maschine daher über einen längeren Zeitraum hinweg beobachtet werden. Wie eine Big-Data-Gruppe in Bezug auf PdM feststellte: „Die Lebensdauer von Maschinen liegt in der Regel im Bereich von Jahren, was bedeutet, dass Daten über einen längeren Zeitraum hinweg erhoben werden müssen, um den Verschleißprozess des Systems vollständig zu erfassen.“

Dieses Problem der Datenmenge wird noch dadurch verschärft, dass viele Hersteller nicht über ausreichende historische Daten verfügen. Es mag zwar Informationen über Betriebs- und Ausfallzeiten, die Anzahl der produzierten Teile und Wartungsprotokolle geben. Es ist jedoch eine gewagte Annahme, dass diese Informationen korrekt sind, und sie sind wahrscheinlich nicht detailliert genug, um wirklich vorausschauende Erkenntnisse zu liefern.

Viele Hersteller haben versucht, diesen Mangel an Daten zu beheben, indem sie ihre Vorhersagealgorithmen auf öffentlich zugänglichen Datensätzen trainiert haben. Während die meisten privaten Unternehmen ihre Produktionsdaten streng hüten, gibt es einen regen Austausch wissenschaftlicher und öffentlich zugänglicher Quellen, und eine kurze Google-Suche liefert zahlreiche Ergebnisse auf GitHub.

Doch selbst diese reichen nicht aus, um Hersteller vom PM zum PdM zu führen, da sie die tatsächlichen Gegebenheiten in der Fertigung nicht widerspiegeln. Ganz gleich, wie umfangreich der Datensatz auch sein mag – es fehlt ihm an ökologischer Validität.

Ein Ingenieur hat dieses Datenproblem treffend auf den Punkt gebracht, als er schrieb: „Meistens ist es schwierig (wenn nicht gar unmöglich) [sic], Fehlerprotokolle von Maschinen zu erhalten, da diese unter realen Bedingungen nicht bis zum Ausfall laufen dürfen. Hinzu kommt, dass wir mit einer Menge Störsignalen aus regelmäßigen Wartungsarbeiten und ungenauen Wartungsaufträgen zu kämpfen haben … die Realität ist hart.“

Das bringt mich zum nächsten Punkt. Man braucht nicht nur genügend Daten, sondern auch die richtigen Daten.

Vielleicht reicht eine andere Art der Beschreibung der Datenqualität im Zusammenhang mit PdM aus, um auf einen Kausalzusammenhang zu schließen.

Das heißt, qualitativ hochwertige Daten sind solche, die es Herstellern ermöglichen, sich aus dem Nebel der Korrelationen herauszuarbeiten und zur eigentlichen Ursache von Maschinenausfällen vorzudringen.

Das ist leichter gesagt als getan, da eine Vielzahl von Produktionsfaktoren Einfluss darauf hat, wie schnell ein Bauteil oder eine Maschine das Ausfallfenster erreicht. Spindeldrehzahl, Betriebsstunden, Temperatur, Vibrationen, Luftfeuchtigkeit, Nutzungsintensität – dies sind nur einige der Parameter, die auf einzigartige Weise zusammenwirken und insgesamt einen variablen Einfluss auf die Lebensdauer der Maschine haben.

Wie ein Autor treffend festgestellt hat: „Der Zustand einer komplexen Anlage lässt sich nicht zuverlässig anhand der Auswertung einzelner Messwerte beurteilen. Vielmehr müssen wir die verschiedenen Messwerte in ihrer Gesamtheit betrachten, um ein wirkliches Bild der Lage zu erhalten.“

Die gute Nachricht ist, dass es dank der Fortschritte in der Sensortechnologie und im Edge-Computing möglich ist, eine größere Vielfalt an Leistungskennzahlen zu erfassen als je zuvor. Die schlechte Nachricht ist, dass selbst die am besten vernetzten Maschinen nicht immer die wichtigsten Ursachen für Leistungseinbußen berücksichtigen.

Jüngsten Untersuchungen zufolge sind 20 bis 50 % der Fehler in der Fertigung auf menschliches Versagen zurückzuführen, wobei manche Schätzungen sogar von bis zu 70 % ausgehen.

Im Hinblick auf die vorausschauende Instandhaltung bedeutet dies, dass es ebenso wichtig oder sogar wichtiger ist, zu verstehen, wie Maschinen genutzt werden, als zu verstehen, wie sie laufen. Damit die vorausschauende Instandhaltung so effektiv wie möglich funktioniert, benötigen Sie Aufzeichnungen darüber, wie Maschinen im Alltag genutzt werden, ob sie richtig eingestellt sind, ob Umrüstungen korrekt durchgeführt werden und ob die Wartungsarbeiten ordnungsgemäß ausgeführt werden.

Mit anderen Worten: Bei Maschinenüberwachung ist ein menschenzentrierter Ansatz erforderlich.

Selbst wenn Sie kein umfassendes PdM-Programm auf die Beine stellen können, sollten Sie Schritte in Richtung einer menschenzentrierten Maschinenüberwachung fast sofort einen Mehrwert schaffen. Kleine Schritte können zu großen Fortschritten führen.

Hier sind einige konkrete Schritte, mit denen Sie beginnen können.

1.) Machen Sie Ihr Werk so schnell wie möglich netzwerkfähig. Wie ich hier bereits erläutert habe, sind zuverlässige, vor Ort erfasste Daten der Grundstein für PdM. Je früher Sie damit beginnen, Maschinendaten über IoT zu erfassen, desto eher können Sie diese Daten zu Ihrem Wettbewerbsvorteil nutzen.

Entgegen der landläufigen Meinung IoT der Einstieg in IoT nicht teuer sein und auch nicht den gesamten Betrieb betreffen. Es gibt einfache Möglichkeiten, ältere Maschinen ins Netz zu bringen, und dank sinkender Sensorpreise ist es möglich, Umgebungsbedingungen ohne große Investitionen zu überwachen.

2.) Ziehen Sie die Cloud in Betracht. Die Datenmengen, die für das Training und den Betrieb prädiktiver Algorithmen erforderlich sind, können Server und Rechenressourcen stark belasten. Cloud Computing für die Fertigungsindustrie ist eine zunehmend kostengünstige, sichere und skalierbare Option, um die Speicher- und Rechenanforderungen prädiktiver Analysen zu bewältigen, ohne in eine lokale Infrastruktur investieren oder diese warten zu müssen.

3.) Verstehen Sie, was Sie von ML-Algorithmen erwarten können. Zu wissen, was machine learning vorhersagen können, ist hilfreich, um zu entscheiden, welche Abteilungen, Maschinen oder Prozesse zuerst in Betrieb genommen werden sollen.

Zu den gängigsten Anwendungsbereichen der Vorhersagemodelle gehören: die Berechnung der Lebensdauer einer Maschine bis zum Ausfall; die Ermittlung eines Zeitfensters, in dem ein Ausfall wahrscheinlich eintritt; die Ermittlung der häufigsten Ausfallarten; sowie die Erkennung von anomalem Maschinenverhalten.

Zu wissen, was machine learning aufdecken machine learning , ist der Schlüssel zur Festlegung von Prioritäten für digitale Transformation.

4.) Behalten Sie die Maschinennutzung im Blick. Maschinenüberwachung funktioniert am besten, wenn Maschinendaten durch Informationen zur Maschinennutzung ergänzt werden. Dies lässt sich am besten erreichen, indem Menschen und Maschinen über Betriebs-Apps miteinander verbunden werden. Dies liefert ein ganzheitliches Bild und hilft, häufige Verzerrungen zu überwinden.

Möchten Sie wissen, wie Sie Ihre Fabrik vernetzen können, um wirklich vorausschauende Erkenntnisse zu gewinnen? Frontline Operations Tulip erfasst die Daten von Mitarbeitern und Maschinen, die Sie für vollständige Prozesstransparenz benötigen. Kontaktieren Sie uns, um zu erfahren, wie wir Ihnen helfen können, Ihre Betriebsabläufe zu digitalisieren!