Totzeiten minimieren mit Predictive Maintenance & Machine Learning

Sie kennen das Problem: Ein wichtiger Auftrag wird fällig, der Kunde sitzt Ihnen im Nacken und plötzlich fällt eine Anlage aus. Der Worst Case für jeden Produktionsplaner! Solche ungeplanten Stillstände werfen alle Pläne über den Haufen und haben hohe Kosten zur Folge. Mit einer sinnvollen Instandhaltungsstrategie können Sie dem entgegenwirken und Predictive Maintenance bzw. Machine Learning sind das passende technologische Handwerkszeug dafür.

Instandhaltungsstrategien - eine Einordnung

Predictive Maintenance ist naturgemäß ein neues Konzept, das Thema Instandhaltungsstrategie gibt es dagegen schon lange. Weniger eine Strategie, sondern eher ein reaktives Handlungsmuster ist sicherlich die schadensorientierte Instandhaltung. Eher ein Relikt des 20. oder gar 19. Jahrhunderts, besagt sie nicht mehr, dass erst dann instandgesetzt wird, wenn es auch zu einem Ausfall gekommen ist.

Moderner ist zweifelsohne die vorbeugende Instandhaltung. Dabei wird die Anlage in regelmäßigen Abständen gewartet. So werden aus Ungeplanten, geplante Stillstände und die Lebensdauer einer Anlage wird maximiert. Jedoch bringt diese Strategie auch hohe Kosten mit sich, da viel häufiger gewartet wird als im ersten Fall. Außerdem kann es vorkommen, dass die Anlage gewartet wird, obwohl ihr Zustand völlig in Ordnung ist.

An dieser Stelle kommt die zustandsorientierte Wartung ins Spiel. Dabei wird eine Wartung in Abhängigkeit vom Zustand der Maschine geplant. Zeigt die Anlage Anzeichen eines baldigen Ausfalls, wird der Instandhaltungsprozess angestoßen. So werden ungeplante Stillstände vermieden und eine lange Lebensdauer bei minimalen Wartungsaufwänden ermöglicht. Ein erfahrender Anlagenbediener kann einen sich anbahnenden Ausfall seiner Maschine mitunter sehr genau prognostizieren - großflächig umsetzen lässt sich die zustandsorientierte Instandhaltung aber nur mittels Predictive Maintenance bzw. Machine Learning Technologien.

Zustandsorientierte Wartung: Das technologische Setup

Wie lässt sich der Zustand einer Maschine erfassen und wie wird daraus der optimale Zeitpunkt für eine Wartung ermittelt? Die Grundlage dafür bilden Sensorik bzw. die Maschinendatenerfassung! Aus modernen Steuerungen lassen sich eine Vielzahl von Informationen auslesen, die meisten modernen Anlagen sind darüber hinaus mit etlichen Sensoren ausgestattet, die ebenfalls eine riesige Menge an Daten erfassen.

Mit dem Predictive Maintenance Ansatz soll all dies umfassend genutzt werden. Diese Daten bestehen aus den von Sensoren in regelmäßigen Zeitabschnitten erfassten Betriebs- und Zustandsdaten der Maschine und aus in ihrer Umgebung erfassten Werten. Das kann z.B. die Außentemperatur, die Luftfeuchtigkeit oder das Drehmoment eines Schraubers sein. Ihren großen Wert für die Instandhaltung bekommen all diese Daten, wenn sie im Zusammenhang mit der Performance bzw. dem Ausfall einer Anlage betrachtet werden. Das ist in jedem Fall ein komplexes Unterfangen.

Predictive Maintenance – ein Praxisbeispiel

Am besten lassen sich das Predictive Maintenance Konzept und seine Vorteile an einem Beispiel erklären. Einer unserer Kunden wollte die Ausfallzeiten von ca. 250 mobilen, hydraulikbetriebenen Schredderanlagen senken. Für dieses Vorhaben zur Verfügung stand ein historischer Datensatz mit Betriebsdaten, wie z.B. Drehzahl, Umgebungstemperatur, Werkzeugposition, hydraulischer Druck, etc., von allen Anlagen aus 384 Tagen.

Auf Basis dieses Datenbestands wurden dann im ersten Schritt die idealen Betriebsparameter mit dem geringsten Anlagenverschleiß ermittelt. Diese Erkenntnisse konnten sogleich für kleinere Optimierungen beim Betrieb verwendet werden.

Da die betriebswirtschaftlichen Anforderungen aber nicht immer einen ‚technisch idealen‘ Betrieb erlauben, wurde im zweiten Schritt ein Model für die Ausfallwahrscheinlichkeit einer Anlage anhand ihres aktuellen Zustands bzw. der im Zeitablauf tatsächlich ‚gewählten‘ Betriebsparameter abgeleitet. Dafür wurden die Ausfälle im historischen Datensatz mithilfe eines Machine Learning Modells auf Muster in den Betriebsdaten untersucht. Das Modell ermittelt für jede Ausprägung eines Wertes sowie Kombinationen von Werten Einflussparameter, die gewichtet in die Ausfallwahrscheinlichkeit einfließen. So hat das Modell aus der Vergangenheit gelernt und kann für aktuelle Zustände eine wahrscheinliche Prognose für die Zukunft geben.

Im dritten Schritt wurde eine sogenannte „Survival Analysis“ durchgeführt. Dabei untersucht das Machine Learning Modell die Zustände der Anlage an bestimmten Zeitpunkten vor einem Ausfall. So kann das Modell anschließend anhand von aktuellen Zustandsdaten eine Vorhersage über die Zeitspanne bis zum nächsten Ausfall liefern, die bspw. zur Optimierung von Instandhaltungsprozessen verwendet werden kann.

Die Kombination dieser Schritte lieferte sehr zuverlässige Ergebnisse, die es ermöglichten, die Ausfallzeiten der Schredderanlagen zu reduzieren. Es konnte eine Just-in-Time Wartung für diese Maschinen etabliert werden, sodass auch die Wartungskosten, bei maximaler Lebensdauer, minimiert werden konnten. Darüber hinaus konnte durch die Mustererkennung der Machine Learning Algorithmen eine tiefergehende Analyse der Gründe für Anlagenausfälle eingeleitet werden. So ließen sich durch die gewichteten Einflussparameter bspw. ermitteln, dass mit steigender Luftfeuchtigkeit auch die Wahrscheinlichkeit für einen Ausfall steigt. Mit der anschließenden Beschaffung eines Luftentfeuchters konnte das Predictive Maintenance Modell somit auch zu direkten Verbesserungsmaßnahmen beisteuern.

Die Mehrwerte

Die Mehrwerte von Predictive Maintenance in Kombination mit Machine Learning Technologie werden an diesem Beispiel sehr deutlich:

• Sie identifizieren Fehlerursachen und können so Fehler und Qualitätsverluste in der Zukunft vermeiden und Kosten senken
• Durch die gewonnenen Erkenntnisse lassen sich Prozesse in der Wartung, in der Produktion oder in der Logistik optimieren
• Mit verbesserten Prozessen steigern Sie mittelbar die Qualität Ihrer Produkte, verringern Lieferzeiten und erhöhen so die Kundenzufriedenheit nachhaltig

Darüber hinaus liefern die meisten Anlagen viele ungenutzte Daten, in denen wertvolle Insights schlummern. Es lohnt sich also, sich mit dem Thema zu beschäftigen.