Demo 2: Predictive Maintenance

info-icon Was steckt hinter dem Begriff "Predictive Maintenance?"

Der Begriff kann mit „Vorausschauender Wartung“ übersetzt werden und ist eine praktische Anwendung im Kontext Industrie 4.0 und ein greifbares Beispiel für das „Internet der Dinge“ (Internet of Things, IoT).

wartungSystem

Wieso ein greifbares Beispiel für das
„Internet der Dinge“?

Weil digitale Klone von Maschinen oder Anlagen erstellt werden. Das heißt konkret, dass Mess- und Produktionsdaten erhoben werden und als digitaler Klon gespeichert werden, um daraus ganz individuell für jede Maschine oder Anlage Informationen über deren aktuellen Zustand abzuleiten. So werden Drehzahlen, Geräusche, Temperaturen oder Vibrationen über Sensoren erfasst, an Servicestellen übertragen, dort gespeichert und analysiert. Daraus folgt dann eine Einschätzung über den Zustand eines Bauteils: Ist es in Ordnung oder sollte es besser ausgewechselt oder gewartet werden. Daher der Begriff „Vorausschauende Wartung“.

Durch die Vorhersage der Wartung lassen sich ungeplante Maschinenausfälle vermeiden und Ressourcen für Instandhaltungsarbeiten besser planen, dies verringert Kosten und verbessert die Produktivität der Maschinen.

Die genauen Schritte zur Beantwortung einer Frage im Rahmen von Predictive Maintenance mittels Datenerhebung und -verarbeitung, Analyse und die Formulierung einer verständlichen Antwort werden in zwei Demonstratoren anhand eines Beispiels aus der Automobilbranche erklärt.

Demo 2: Predictive Maintenance mit RapidMiner verwendet als Datenanalyse-Tool RapidMiner. Der Prozess kann aus Bausteinen zusammengeklickt und konfiguriert werden. Das ist einfach und benutzerfreundlich, auch für Anfänger. Die Hilfe ist sehr umfangreich und viele Routine-Schritte können automatisch durchgeführt werden.

Demo 3: Predictive Maintenance mit R verwendet als Datenanalyse-Tool RStudio. Der Prozess wird in der statistischen Programmiersprache R programmiert. Die Einstiegshürde für Anfänger ist etwas höher als bei der Verwendung von RapdMiner, da die Funktionen erst recherchiert und die Syntax der Sprache erlernt werden muss. Vom Konzept her ist RStudio jedoch MATLAB nicht unähnlich, und wenn man die Sprache erst beherrscht, geht das Erstellen von Skripten super schnell.

Predictive Maintenance: Ein Prozess aus 5 Schritten

prozessPredMaintenance

Die Schritte 1, 2 und 5 erfolgen in enger Absprache zwischen der Fachabteilung, die durch vorausschauende Wartung Ausfallzeiten und Kosten verringern will, und dem Experten ("Analysten"), der Tools und Algorithmen des maschinellen Lernens kennt.

Schritt 1: Die Fragestellung

Der Besitzer einer produzierenden Anlage hat hohe Reparaturkosten, die im schlimmsten Fall zu Produktionsausfällen und Lieferengpässen führen. Er sucht ein Verfahren, das frühzeitig vor dem Ausfall einer Maschine warnt und somit Ausfallzeiten und Kosten niedrig hält.

Entweder ist das Bauteil, das die Schwachstelle in der Produktionskette darstellt, bekannt und soll konkret überwacht werden oder die komplette Anlage soll auf eine mögliche Ausfall beobachtet werden. Durch eine gezielte Überwachung des Gesamt- oder eines Teilsystems der Anlage kann frühzeitig gewartet oder ausgetauscht werden.

Es wird eine konkrete Fragestellung formuliert, z.B. wann sollte ein Bauteil ausgewechselt werden? Um diese Frage mittels Verfahren der Predictive Maintenance zu beantworten müssen nun im nächsten Schritt Daten erhoben werden.

Schritt 2: Datenerhebung

sensor Die Anlage wird mit Sensoren ausgestattet, die die nötigen Werte (Temperatur, Laufbewegung, Druck, usw.) an den entsprechenden Bauteilen erfassen und speichern. Dabei wird auch erfasst, ob die Bauteile defekt sind und ausgetauscht wurden, oder ob sie noch funktionsfähig sind. Wenn die Datenerhebung über einen längeren Zeitraum erfolgt ist, stehen genügend Daten zur Verfügung um zum nächsten Schritt zu kommen.

Schritt 3: Datenbereinigung

cleaning Erfahrungsgemäß müssen die gesammelten Daten nun von denen bereinigt werden, die Fehlmessungen oder nicht vollständige Messungen darstellen. Dies erfolgt als Vorarbeit der Datenanalyse.

Schritt 4: Datenanalyse

thinkingBrain Auf die bereinigten Daten wird nun die Datenanalyse mit Hilfe von Algorithmen und Verfahren des maschinellen Lernens angewandt, um die Fragestellung aus Schritt 1 zu beantworten. Dabei können statistische Modelle oder auch Entscheidungsbäume zur Lösung führen. Mit Hilfe von Testverfahren wie der Kreuzvalidierung werden Kennzahlen (Vertrauenswahrscheinlichkeit, Genauigkeit) bestimmt, mit deren Hilfe man die Güte des Vorhersagemodells bewerten kann. Am Ende von Schritt 4 wird auf Basis von Schwellwerten die Eintrittswahrscheinlichkeit für den Ausfall eines Bauteils beantwortet.

Schritt 5: Die Antwort/Lösung

ampelSystem Die Ausgabe der Analyse-Software (z.B. RapidMiner oder R) wird nun von dem Analysten in eine verständliche Antwort übersetzt und ein für das Unternehmen leicht anwendbares Wartungssystem entwickelt. Es kann z.B. ein Ampelsystem entstehen, das je nach Zustand des Bauteils die Farbe grün/gelb/rot anzeigt. Grün steht für die Funktionsfähigkeit, Gelb für die Beobachtung und Rot für den empfohlenen Austausch des Bauteils. Damit können Wartungen besser geplant werden und führen nicht mehr zu einem außerplanmäßigen Ausfall der Anlage. Zusätzlich kann der aktuelle Zustand eines Bauteils regelmäßig überwacht werden und es treten keine zu frühen und unnötigen, kostenverursachenden Wartungen auf.

monitoring

Eine mögliche Lösung im Kontext von Predictive Maintenance:

Die Überwachung einer Anlage/eines Bauteils durch einen Techniker mittels bereits installierter Sensoren und die Anzeige des aktuellen Zustands der Anlage/des Bauteils mit Hilfe des entwickelten Wartungssystems.

Erweiterung des Prozesses um einen 6. Schritt: Updates

update

Durch die andauernde Überwachung mittels der bereits installierten Sensoren ( Schritt 2: Datenerhebung ) kann das Wartungssystem und insbesondere Schritt 4: Datenanalyse verbessert und immer mehr an die zu überwachende Anlage angepasst werden.

Mit Beiträgen von: Anke Welz, Eva Kiss
Tools: RapidMiner, Images: https://openclipart.org/