Predictive Maintenance ist kein Zukunftstraum mehr!

Predictive Maintenance ist DAS Industrie 4.0 Thema für den deutschen Markt schlecht hin. Deutschland hat seine Produktion in vielen Sektoren hoch automatisiert und bietet damit die perfekte Grundlage für diese vielversprechende Technologie. Um dies nicht als unbegründete Aussage stehen zu lassen hier einige Quellenangaben:

Wir konnten das Potenzial von Predictive Maintenance bei den Automobilherstellern bestätigen und haben ein Hackathon-Konzept zur individuellen Bedarfsanalyse für unsere Kunden entwickelt. Es folgt zunächst eine genaue Aufschlüsselung der Vorgehensweise sowie die Überführung der Methodik zur Strategie.

DIE PROBLEMSTELLUNG

Oft gibt es Störungen im laufenden Betrieb, um die sich die Instandhaltung kümmern muss. Eine Maschine steht still, die Produktion pausiert, dies ist der direkte Ausfall. Dazu kommen zusätzliche Kosten für weitere Maschinen der Linie, die durch Serienschaltung ebenfalls die Produktion einstellen müssen.
Die Instandhaltung rückt aus und behebt das Problem. Dazu müssen oft Ersatzteile bestellt werden. Im akuten Fall steigen die Kosten dafür erheblich, da eine Eilbestellung unabdingbar ist.
Danach schlagen Folgekosten zu. Durch den Ausfall einer Linie muss ggf. die Produktion weiterer Linien umgeplant werden, da in der Regel im Just-In-Time und Just-In-Sequence Modus produziert wird.

DAS VORGEHEN

Predictive Maintenance bedient sich der Daten die im Produktionsprozess entstehen und erkennt Unregelmäßigkeiten in den Daten. Damit wird ein frühzeitiges Handeln der Instandhaltung in produktionsfreien Räumen möglich. Ein internationales multidisziplinares Team der EDAG PS hat dazu eine Methodik entwickelt, um aus Sensor- und Steuerungsdaten eine Predictive-Maintenance-Lösung für jeden Kunden auszuarbeiten.

Die Sensordaten werden mit Fach- /Prozessexperten in gemeinsamen Workshops von Data Scientists analysiert. Dabei wird zunächst mittels des Pareto-Prinzips ein effektives Handlungsgebiet der Produktionsstillstände identifiziert. Hier sind 20% der Komponenten und Prozesse für 50% bis 80% der Ausfälle verantwortlich. Das Projekt wird zunächst auf eine Teilmenge dieser 20% beschränkt und verspricht damit hohes Kosten-/ Nutzenpotenzial.

 engineer using software in tablet to monitoring machine

Im weiteren Vorgehen wird jeder einzelne störanfällige Prozess unter die Lupe genommen und von den Fachexperten Hypothesen abgeleitet, die es erlauben eine Störung zu verhindern.

 

 

 

ZWEI BEISPIELE

Industrieroboter haben mehrere Servos. Diese weisen typischerweise vor Ausfällen Auffälligkeiten in den Stromverbrauchsdaten auf.

Hypothese: Wenn man den Stromverbrauch eines Servo beobachtet, kann vor einem Ausfall gehandelt werden.

Vorrichtungen haben meist viele bewegliche Spanner, die entweder pneumatisch oder elektrisch bewegt werden. Dazu müssen sie ihre Endlage an die Steuerung zurück melden, um sicher zu stellen das ein Bauteil richtig eingespannt ist, bevor die Bearbeitung des Bauteils beginnen kann. Häufig verdrecken oder verschleißen diese beweglichen Spanner und werden damit langsamer, bis die Schließung bzw. Öffnung so langsam ist, dass der Produktionstakt nicht mehr eingehalten werden kann.

Hypothese: Wenn die Schließ- und Öffnungszeiten gemessen werden und eine schleichende Verschlechterung erkannt wird, kann die Instandhaltung vor einem Ausfall handeln.

WARUM DIE EDAG PS UND KEIN IT-DIENSTLEISTER?

EDAG PS hat gegenüber IT-Unternehmen und Startups während des Big-Data- und Predictive-Maintenance-Booms einen unschlagbaren Vorteil: Durch unsere langjährige Erfahrung im Produktionsumfeld, kennen wir alle Komponenten und Prozesse der Produktion und damit auch der Instandhaltung. Durch das Einbeziehen der EDAG PS internen Data Scientists wird unser übergreifendes Prozesswissen nahtlos mit Big-Data-Prozessen verknüpft.

DIE METHODIK

Wir entwickeln gemeinsam mit Ihnen Ihre Predictive Maintenance Strategie. Als Basis hierfür dienen gemeinsam aufgestellte Hypothesen und der Einsatz von "Model Based Condition Monitoring". Es werden Signale unterschiedlicher Sensoren beobachtet, analysiert und mit gelernten Wertegrenzen verglichen, um Anomalien zu identifizieren.

Das Beobachten dieses Condition Monitoring, wird dann von Machine Learning Algorithmen übernommen. Gemeinsam bringen wir dem System bei, Prozessprobleme selbst zu identifizieren. Dafür sucht es in Daten nach Mustern und kann so den Mitarbeiter bei Auffälligkeiten warnen. So werden die Fähigkeiten von Mensch und Maschine optimal genutzt. Die Maschine beobachtet kontinuierlich eine große Datenmenge, bei der ein Mensch den Überblick verlieren würde. Eine Information erfolgt nur dann, wenn es nötig ist. Die Instandhaltung kann so ihre Zeit mehr auf das konzentrieren, was den Menschen gegenüber der Maschine einzigartig macht: Mittels Fachwissen komplexe Probleme lösen.

Wie Sie von Methodik zur Strategie kommen zeigen wir Ihnen gerne auf.

IHR EINSTIEG

Um Ihnen den Einstieg in Predictive Maintenance zu erleichtern bietet die EDAG PS Hackathons an, in dem kosteneffizient und mit geringem Risiko ganz schnell das eigene Predictive Maintenance Potenzial mit uns in wenigen Tagen erarbeitet werden kann.

Wie das aussehen kann, erfahren Sie in unserem Hackathon Konzept:Hackathon Predictive Maintenance PREDICTIVE MAINTENANCE - Das Hackathon Konzept

Als erfahrene Spezialisten im Bereich Big Data Analytics im produktionsnahen Umfeld sind wir Ihr kompetenter Ansprechpartner. Unser Leiter der Produktions-IT Christopher Reuß steht Ihnen für Fragen via Mail oder Telefon (0661-6000 75212) gerne zur Verfügung.