Ihre Herausforderungen bei der Auswahl Ihrer Instandhaltungsstrategie

Sie fragen sich, wie Sie die Ausfallzeiten Ihrer Maschinen und Anlagen minimieren und die Verfügbarkeit maximieren können? Welche der Instandhaltungsstrategien am meisten Sinn ergibt? Und wie Sie durch vorausschauende Instandhaltung Ihre Anlageneffektivität optimieren können?

Es gibt viele Gründe für die Digitalisierung Ihrer Prozesse: Instandhaltung ist ein kritischer Faktor hinsichtlich des Unternehmenserfolgs, da Instandhaltungskosten bis zu 40% der Gesamtkosten ausmachen [Eick, Reichel, Schmidt: Instandhaltung des Kapitalstocks in Deutschland: Rolle und volkswirtschaftliche Bedeutung; 2011]. In sehr vielen Unternehmen wird noch eine reaktive oder vorbeugende Strategie verfolgt. Dabei erlauben Machine Learning (ML) Verfahren wesentlich bessere Instandhaltungsstrategien:

  • Bei der reaktiven Instandhaltung erfolgen Maßnahmen erst nach dem Auftreten des Ausfalls, was lange Stillstandszeiten und somit Produktionsausfälle verursachen kann. Da die Maschinen bis an die Grenzen ihrer Lebenszeit betrieben werden, steigt das Risiko für katastrophale Schäden enorm an.
  • Die vorbeugende Instandhaltung verfolgt das Ziel, Bauteile vor dem Ausfall auszutauschen. Hierbei werden Bauteile unabhängig vom Zustand meistens aufgrund eines Zeitintervalls ersetzt. Unbeachtet bleibt dabei eine gesteigerte oder geminderte Beanspruchung der Maschine. Die abweichende Beanspruchung der Maschine wirkt sich jedoch auf den Verschleiß aus, so dass eine Instandhaltungsmaßnahme nutzungsbedingt deutlich früher oder später als gewöhnlich notwendig werden kann. Den richtigen Zeitpunkt für eine Instandhaltungsmaßnahme zu treffen wird dadurch erschwert. Spontane Produktionsausfälle oder zu frühe Maßnahmen sind die Folge. Die Ersatzteilverfügbarkeit und logistische Aspekte fügen ihren Beitrag zur Planungskomplexität hinzu. Dabei muss eine Instandhaltungsmaßnahme mit der Produktionsplanung, Technikern und teilweise auch dem Kundenservice des Maschinenherstellers abgestimmt und geplant werden.
  • Bei der zustandsbasierten Instandhaltung wird anstelle eines Zeitintervalls der tatsächliche Verschleißzustand der Maschine herangezogen. Dieser wird mittels Sensorik erfasst und anschließend Instandhaltungsmaßnahmen aus simplen Regeln wie Über- oder Unterschreitungen von Schwellwerten abgeleitet. Dadurch werden spontane Anlagenausfälle reduziert.
  • Die vorausschauende Instandhaltung (Predictive Maintenance) setzt auf dem zustandsbasierten Vorgehen auf und nutzt Machine Learning Verfahren, um Muster in historischen Sensordaten zu erlernen, wodurch die verbleibende Lebensdauer von Maschinen präzise vorhergesagt wird. Voraussetzung dafür ist eine IIoT-Plattform, die alle Daten zentral an einem Ort speichert und übergreifende Analysen ermöglicht. Damit wird die Lebensdauer von Maschinen und Bauteilen komplett ausgeschöpft, ohne dass es zu Mängeln in der Produktqualität oder Ausfällen kommt.
  • Beim letzten Reifegrad werden aufbauend auf Predictive Maintenance Empfehlungen für die Planung einer Instandhaltung gegeben. Dabei gilt es, die Stillstandszeiten und Kosten so gering wie möglich zu halten und Folgestörungen zu vermeiden. Zudem müssen Ersatzteile und das Instandhaltungspersonal verfügbar sein. Auf dieser Grundlage können Instandhaltungen gebündelt durchgeführt werden, um einen möglichst optimalen Einsatz der Ressourcen zu erreichen.

Ihre Vorteile durch den Einsatz von Predictive Maintenance

Ziel der Instandhaltung ist die Sicherstellung der technischen Verfügbarkeit von produzierenden Anlagen und Maschinen sowie die Verringerung ungeplanter technisch bedingter Stillstände. Bei der vorbeugenden Instandhaltung (Preventive Maintenance) werden die Zeitintervalle für Instandhaltungsmaßnahmen etwas kürzer festgelegt als die mittlere Betriebsdauer zwischen zwei Funktionsausfällen. Die Folge sind Instandhaltungsmaßnahmen, die zu diesem Zeitpunkt oft noch nicht notwendig sind. Während der Instandhaltung können Anlagen und Maschinen nicht genutzt werden. Da die Instandhaltungsmaßnahmen wie auch der Produktionsausfall mit Kosten verbunden sind, ist es wirtschaftlich am sinnvollsten, so viele Instandhaltungsmaßnahmen zu ergreifen wie nötig aber auch gleichzeitig so wenige wie möglich. Ziel der vorausschauenden Instandhaltung (Predictive Maintenance) ist die aus technischen Gründen bedingte Stillstandszeit von Anlagen und Maschinen zu verringern. Instandhaltungsmaßnahmen sollen genau dann durchgeführt werden, wenn diese unumgänglich sind – ein Stillstand droht. Dazu soll die Dauer zwischen zwei bestimmten Instandhaltungsmaßnahmen gesteigert und die technisch bedingte Stillstandszeit verringert werden.

Ihre Vorteile durch den Einsatz von Predictive Maintenance sind:

  • Einblick in Nutzung und Verschleiß der Maschinen gewinnen
  • Verbesserung der Planungssicherheit
  • Produktivzeit der Maschinen maximieren
  • Neue Geschäftsmodelle durch Bereitstellung der Maschinendaten entwickeln

Die vorausschauende Instandhaltung nutzt Sensordaten (z. B. Temperatur, Schwingung, Tribologie, Akustik, Bildgebung etc.), Ereignisdaten aus IT-Systemen, Prozessparameter aus Maschinensteuerungen und maschinelles Lernen um die Wahrscheinlichkeit drohender Stillstände zu prognostizieren. Das Industrial Internet of Things (IIoT) ermöglicht die Erfassung der Prozessparameter von Anlagen und Maschinen. Die großen Datenmengen werden häufig in Cloud-Umgebungen gespeichert und verarbeitet. Als Lernbeispiele werden aufgezeichnete Prozessparameter, die zugehörigen Betriebszustände der Anlagen und Maschinen sowie die technisch bedingten Stillstandsgründe genutzt. Maschinelles Lernen wird dann dazu eingesetzt, Muster in den Prozessparametern und die zugehörigen Betriebszustände und Stillstandsgründe zu lernen. In der Produktion werden anschließend die sensorisch erfassten Prozessparameter dauerhaft überwacht. Wird in den Prozessparametern ein gelerntes Muster wiedererkannt, wird die Instandhaltung über den drohenden Stillstandsgrund und die prognostizierte Zeit bis zu dessen Eintreten informiert. Abweichungen in den Prozessparametern, die nicht auf ein bekanntes Muster zurückzuführen sind, werden verwendet, um die Instandhaltung über eine Anomalie zu informieren. Die Instandhaltung kann anschließend Information bereitstellen, um neue Betriebszustände und Stillstandsgründe sowie die dazugehörenden Muster zu lernen.

Beim Einsatz der vorausschauenden Instandhaltung können im Wesentlichen zwei Anwendungsszenarien unterschieden werden

  • In der eigenen Produktion kann die vorausschauende Instandhaltung dazu eingesetzt werden um ungeplante technisch bedingte Stillstände zu vermeiden.
  • Als Hersteller-Service für die Kunden, welche die gefertigten Maschinen kaufen und in Ihrem Unternehmen einsetzen. Ein ungeplanter technisch bedingter Stillstand betrifft dann die Produktion des Kunden und könnte bei häufigen Ausfällen Auswirkungen auf die Reputation des Herstellers haben. Als Hersteller-Service können die Prozessparameter der Anlagen und Maschinen in einem Service-Portal visualisiert werden, um auf drohende Stillstände hinzuweisen. Eine Störmeldung kann Informationen zur Ursache und wichtige Informationen zur Instandhaltungsmaßnahme wie auch erforderlicher Ersatzteile und deren direkte Bestellung beinhalten. Durch den Hersteller-Service sind alle Kunden im Vorteil, da die Daten durch den Hersteller gesammelt und ausgewertet werden. So können Muster in den Sensordaten einer Maschine, bei der eine technische Störung zum ersten Mal auftritt, anschließend auch bei anderen Kunden wiedererkannt werden.

Die vorausschauende Instandhaltung adressiert das grundsätzliche Problem, den richtigen Moment für eine Maßnahme zu treffen: ein Optimierungsproblem, um kosteneffizienter zu sein. Diese Methode lässt sich auch auf vergleichbare Fragestellungen anwenden. So erfolgt beispielsweise die Leerung der Abfallbehälter in der Regel in einem festen Rhythmus von 2 oder 4 Wochen. In manchen Fällen ist eine Leerung zu früh und der Behälter kaum gefüllt. In anderen Fällen liegen bereits zusätzliche Abfallsäcke neben dem Behälter auf der Straße. Mit den richtigen Daten (z. B. Gewicht des Behälters bei der Leerung) könnten Behältergrößen und Touren der Entsorgungsunternehmen auf den Kundentyp abgestimmt und vorausschauend geplant werden. Dadurch kann die Effizienz gesteigert und Ressourcen geschont werden, was Kosten auf Seiten der Entsorgungsunternehmen und der Kunden einspart. Ein Ansatz, der inzwischen im Rahmen von Smart City Initiativen für öffentliche Müllbehälter angewendet wird.

Die Funktionsweise von Predictive Maintenance

Für die vorausschauende Instandhaltung ist die Überwachung des Anlagen- und Maschinenzustandes essentiell. Die Konvergenz von Operational Technology (OT) und Information Technology (IT), sowie die Verfügbarkeit von Bandbreite, Rechenkapazität und Speicher machen es möglich, große Datenmengen zu erheben, zu speichern und zu analysieren. Dazu werden unterschiedliche Daten durch entsprechende Sensorik erhoben sowie aus Maschinensteuerungen und anderen IT-Systemen ausgelesen. Für die Bewertung des Anlagen- und Maschinenzustandes werden unter anderem folgende Daten herangezogen:

  • Schwingungen (z. B. Auslenkung, Geschwindigkeit, Beschleunigung oder Ultraschall)
  • Temperatur (z. B. Bauteiltemperatur, Umgebungstemperatur, Infrarotstrahlung)
  • Tribologie (z. B. Verschleißpartikel)
  • Ereignisdaten (z. B. Zustand der Produktion, Störmeldungen)
  • Prozessparameter (Rotationsgeschwindigkeit, Bearbeitungsdauer)

IIoT-Plattfomen, wie z. B. Amazon AWS IoT, Microsoft Azure IoT oder Siemens MindSphere, sammeln die Daten von der Sensorik ein und übermitteln sie in eine Cloud-Umgebung zur Speicherung und Analyse. Dabei erfolgt der Zugriff auf die Sensorik häufig über OPC UA – die Open Platform Communications Unified Architecture, ein Datenaustauschstandard für die industrielle Kommunikation – oder spezielle IIoT-Konnektoren. Eine Predictive Maintenance Umsetzung am Beispiel einer Werkzeugmaschine kann wie folgt aufgebaut sein:

Die in der Abbildung gezeigte Architektur gibt einen Überblick über Komponenten und Technologien, die bei einer vorausschauenden Instandhaltung einer Werkzeugmaschine angewendet werden. Architektur und Technologien orientieren sich am Cloud-native Open Source Software Ansatz. Dies ermöglicht einen Betrieb im eigenen Rechenzentrum oder bei AWS, Azure und weiteren Cloud-Anbietern. Technologien können auch durch Managed-Services von AWS und Azure ersetzt werden. Beispielsweise stellt Amazon SageMaker alle für das Machine Learning verwendeten Komponenten in einem einzigen Toolset bereit. Die konkrete Umsetzung der Architektur orientiert sich immer an den Gegebenheiten und Anforderungen im jeweiligen Projekt.

Die Fertigung (Shopfloor)

In der Fertigung befindet sich die Werkzeugmaschine. Die Nutzung der Werkzeugmaschine für die Fertigung verursacht Verschleiß an Komponenten und Werkzeugen der Werkzeugmaschine. Ein abgenutzter Fräser kann dazu führen, dass mehr Energie für den Vorschub notwendig ist, höhere Temperaturen entstehen und der Arbeitsschritt mehr Zeit erfordert. Eine ausgeschlagene Führung einer Spindel macht sich durch Lärm und Vibrationen bemerkbar. Folgen sind unter anderem ein größerer Verschleiß anderer Komponenten und eine sinkende Stückzahl der produzierten Werkstücke. Erhöhte Temperaturen beim Fräsen können auch durch zu wenig Kühlflüssigkeit verursacht werden. Moderne Werkzeugmaschinen sind mit einer Vielzahl von Sensoren ausgestattet, welche als Daten Messwerte wie Temperatur, Druck, Schwingungen und Füllstände liefern. Zusätzlich können aus der Anlagen- und Maschinensteuerung weitere Daten wie die Rotationsgeschwindigkeit einer Spindel oder die Energieaufnahme von Elektromotoren entnommen werden. Die Sensordaten werden von einer IIoT-Plattformen über OPC UA gesammelt und an eine Datenbank in der Cloud-Umgebung übertragen. Abhängig von den Gegebenheiten können die Sensordaten dabei an einen oder mehrere Abnehmer übertragen werden. Aus Sicherheitsgründen folgt die Datenübertragen meistens dem Push-Prinzip und wird aus der Fertigung heraus initiiert.

Die Cloud

Alle übertragenen Daten der verschiedenen Werkzeugmaschinen werden zentral in einer Datenbank gespeichert. Dies ermöglicht eine übergreifende Analyse über die einzelnen Werkzeugmaschinen hinweg für ganze Baureihen. In der Datenbank werden zusätzlich Prozessdaten aus dem ERP- oder PPS-System gespeichert. Dazu zählen unter anderem Daten wie beispielsweise die Auslastung oder Dauer der Bearbeitung eines Werkstückes. Die Auswahl des Datenspeichers wird anhand der Anforderungen (z. B. Skalierbarkeit, Geschwindigkeit, Ressourcenverteilung, In-Memory) der IoT-Strategie im Hinblick auf die Verarbeitung von großen Datenmengen getroffen. Die Daten werden über einen festgelegten Zeitraum als Vorbereitung für die Trainingsphase gesammelt. In diesem Zeitraum werden Visualisierungen, beispielsweise in Form von Dashboards, eingesetzt, um einen ersten Nutzen aus den Daten zu gewinnen.

Training

Sobald genügend Daten in der Datenbank für das Training eines Machine Learning Modells vorhanden sind, wird mit der Entwicklung desselben begonnen. Das Modell lernt aus den Trainingsdaten die Vorhersage der verbleibenden Nutzungszeit bis zum Eintritt eines technisch bedingten Stillstands der Werkzeugmaschine. Dazu werden die Daten in der Datenbank zuerst einer Vorverarbeitung unterzogen. Die Vorverarbeitung extrahiert unter anderem relevante Sensordaten und führt Normalisierungen oder Standardisierungen der Daten durch. Anschließend werden die Daten in der Datenbank unterteilt:

  • Trainingsdaten dienen als Beispiele von denen das Machine Learning Modell Muster in den Daten lernt und Gesetzmäßigkeiten ableitet.
  • Validierungsdaten werden genutzt, um eine Feinjustierung an den Parametern des Modells zur optimalen Vorhersage der verbleibenden Nutzungsdauer vorzunehmen.
  • Testdaten werden genutzt, um abschließend die Vorhersagequalität des Modells zu bewerten.

Auf Basis der Trainingsdaten wird ein Machine Learning Modell trainiert, das die verbleibende Nutzungszeit vorhersagt. Das trainierte Modell wird anhand der Test- und Validierungsdaten evaluiert und so dessen Qualität sichergestellt. Danach erfolgt das Ausrollen (Deployment) des Modells für die produktive Nutzung mit aktuellen Daten der Werkzeugmaschine. Der Trainingsprozess ist ein Zyklus, der über die Zeit hinweg immer wieder durchlaufen wird, sobald sich Umstände ändern: Dies können neue Anlagen, neue Sensorik oder neue Daten sein. Deshalb ist ein hoher Grad an Automatisierung wichtig. Nur wenn das Machine Learning Modell alle Muster in den Daten kennt und immer auf einem aktuellen Stand ist, kann es präzise Vorhersagen vornehmen.

Betrieb

Das ausgerollte Modell aus dem Trainingsvorgang ermöglicht die Vorhersage der verbleibenden Nutzungszeit der Werkzeugmaschine bis zur notwendigen Instandhaltungsmaßnahme. Auch im Betrieb des Modells werden die aktuellen Daten der Werkzeugmaschinen einer Vorverarbeitung unterzogen. Die Vorverarbeitung der aktuellen Daten stellt sicher, dass das ML-Modell sie richtig weiterverarbeiten kann. Mit den aktuellen Daten und den erlernten Mustern durch das Training macht das Machine Learning Modell eine genaue Vorhersage, wann die Werkzeugmaschine ausfallen wird. Die Vorhersage wird als Ausgabe zurück in der Datenbank gespeichert. Damit lassen sich alle relevanten Sensordaten, Prozessdaten sowie die Vorhersage in einem Dashboard wie beispielsweise Grafana visualisieren und überwachen. Kundenservice-Portale können die Daten konsumieren und im Portal einbinden und darstellen. Es können Regeln für Benachrichtigungen erstellt und Personen alarmiert werden, falls ein Ausfall bevorsteht und bisher keine Maßnahmen geplant wurden. Im besten Fall wird die Planung von Instandhaltungsmaßnahmen als Optimierungsproblem automatisiert.

Die technische Umsetzung sowohl der Trainings- als auch der Vorhersagepipeline besteht aus entkoppelten, skalierbaren und austauschbaren Microservices, die beispielsweise mit Docker Containern plattformunabhängig umgesetzt werden. Dadurch können einzelne Services in verschiedenen Programmiersprachen geschrieben werden, da eine einheitliche Kommunikation über beispielsweise HTTP- oder REST-Protokolle das Zusammenspiel gewährleistet. Die Microservices werden in ein bestehendes oder neues Cluster integriert. Mit einem Machine Learning Framework wie TensorFlow oder Keras werden tiefe neuronale Netze zusammengestellt, verteilt trainiert, die Ergebnisse ausgewertet und Modelle ausgerollt. Für die Versionierung von Daten und Modellen sowie dem Pipelining wird ein Tool wie DVC (Data Version Control) genutzt, um damit die Reproduzierbarkeit, Wartbarkeit und Nachvollziehbarkeit des Trainingszyklus zu ermöglichen.

Unsere Dienstleistungen für Predictive Maintenance

Werden Daten bereits über eine IIoT-Plattform gesammelt, gehen wir bei einem Predictive Maintenance Projekt in der Regel in vier Schritten vor:

Im ersten Schritt dient ein gemeinsamer Workshop zur Aufnahme des Ist-Zustands. Uns ist wichtig zu verstehen, ob Sie Predictive Maintenance in der eigenen Produktion verwenden oder als Service für die Kunden Ihrer produzierten Maschinen anbieten wollen. Wir möchten verstehen, welche unterschiedlichen Daten und Quellen existieren, wie groß das Datenvolumen ist, das täglich produziert wird und wie häufig sich die Daten für Prozessparameter aktualisieren. Am wichtigsten ist dabei die Klärung, ob es aktuell überhaupt Daten mit Beispielen gibt, die verwendet werden können. Diese Information ermöglicht uns eine erste Einschätzung der Datenqualität und wie häufig eine neue Version des Modells trainiert werden muss. Uns interessiert auch, welche bestehende (IIoT-)Plattform eingesetzt wird, wie die Architektur aufgebaut ist, welche Umsysteme (z. B. ERP-Systeme, BPM-Systeme) vorhanden sind und welche Systeme integriert werden müssen. Zusammen mit der verfolgten Technologiestrategie – z. B. Open-Source-First Strategy oder Managed-Cloud-Service-First Strategy – wird dann eine Zielarchitektur definiert. Mit diesen Grundlagen erarbeiten wir mit Ihnen die Zielsetzung.

Im zweiten Schritt bewerten wir die Datenqualität durch eine explorative Datenanalyse hinsichtlich der Eignung und Aussagekraft für eine Vorhersage des Maschinenzustands. Dazu verwenden wir einen von Ihnen bereitgestellten repräsentativen Datensatz. Daraufhin folgt eine prototypische Umsetzung eines oder mehrerer infrage kommender Machine Learning (ML) Modelle sowie deren Evaluation und Dokumentation im Rahmen einer Machbarkeitsstudie (Proof of Value). Als Resultat liegt eine qualifizierte Entscheidungsempfehlung inklusive der Chancen und Risiken vor. Zudem können Erkenntnisse und Einsichten aus dem Datenbestand aufgedeckt sowie Zusammenhänge und Korrelationen sichtbar gemacht werden.

Im dritten Schritt wird die Predictive Maintenance Lösung auf Basis der erarbeiteten Architektur und der Zielsetzung umgesetzt. Die Umsetzung erfolgt Unternehmensabhängig entweder Cloud-native oder mit Managed-Services eines Cloud-Anbieters (z. B. AWS oder Azure). Es wird eine ganzheitliche Machine Learning Lösung erstellt, die sowohl die Trainings- als auch die Inferenzphase beinhaltet. Dazu gehören die Machine Learning Pipeline für den Lebenszyklus des Machine Learning Modells und die dazugehörige Versionierung von Daten und Modellen. Wir legen bei unserer Predictive Maintenance Lösung viel Wert auf Automatisierung und Skalierung. Um die Verfügbarkeit des Produktivsystems sicherzustellen und einen reibungslosen Betrieb zu gewährleisten werden die Services überwacht – sowohl hinsichtlich betriebsrelevanter Aspekte (z. B. Antwortzeit, Anzahl Aufrufe, Speichernutzung oder CPU-Auslastung), wie auch qualitativer Aspekte der Vorhersage (z. B. Accuracy). Daraus lässt sich ableiten, wann ein neues Modell trainiert werden sollte und wie die Anwendung automatisch mit der Last skalieren soll.

Im vierten Schritt findet das Enablement der DevOps-Engineers, der Fachbereiche und der Data Scientists statt. In Workshops oder Schulungen machen wir Ihre Mitarbeiter mit den Technologien und Methoden vertraut. Dabei spielt es keine Rolle, ob es lediglich um ein technisches Enablement geht oder wir Ihre Mitarbeiter mit den Grundlagen von Machine Learning vertraut machen. Uns ist wichtig, dass Sie den größtmöglichen Mehrwert für sich und Ihre Kunden aus der Predictive Maintenance Lösung herausholen.

Ist die Konnektivität noch nicht hergestellt und eine IIoT-Plattform noch nicht vorhanden, kümmern wir uns gerne darum und erweitern den Projektumfang entsprechend um weitere Schritte. Sehen Sie sich dazu unser IoT-Angebot an.

Ihr Ansprechpartner

Novatec_Christoph-Heger

Dr. Christoph Heger

Head of Practice Area Data Intelligence
Inhaltsverzeichnis
Ihr Ansprechpartner Dr. Christoph Heger Head of Practice Area Data Intelligence
Novatec_Christoph-Heger