February 3, 2022

Erkenntnisse durch Datenanalysen im Bereich Produktion führen bereits zu einer verbesserten Effizienz und optimierten Maschinenverfügbarkeit. Beispielsweise generieren moderne Maschinen und Anlagen während des Betriebs kontinuierlich Daten, die einen umfassenden Einblick in den aktuellen Zustand der Maschine oder Anlage geben. Dazu zählen beispielsweise Daten wie Temperaturentwicklung, Vibrationen oder Geräuschpegel. Ältere Maschinen ohne integrierte Sensorik können mit verhältnismäßig geringem Aufwand entsprechend umgerüstet werden. Die erfassten Daten ermöglichen neben den angesprochenen Analytics auch „Predictive Maintenance“, die vorausschauende Erkennung von Fehlern und Störungen, die im Extremfall zu Schäden und Maschinenausfällen führen können, oder auch die Qualität des Endprodukts beeinträchtigen

Bei der kontinuierlichen Maschinenüberwachung fallen oftmals große Datenmengen and, die durch den Menschen nicht zu überblicken sind. Daher kommt zur Gewinnung der Erkenntnisse und Vorhersagen Künstliche Intelligenz zum Einsatz.

Eine KI kann beispielsweise den Normalzustand einer Maschine oder Anlage sowie deren Parameter erlernen. Basierend auf diesem Wissen können Abweichungen erkannt werden – wie zum Beispiel erhöhte Vibrationen oder unerwartete Temperaturveränderungen.

Neben den Maschinendaten können auch Meta-Informationen wie zum Beispiel Wartungsintervalle in die Predictive Analytics einfließen. Dies ermöglicht eine fundierte Vorhersage von Time-to-Failures, also der voraussichtlichen Zeit bis zu einem Defekt. Dies betrifft insbesondere Maschinen mit Verschleißteilen wie Schneidwerkzeugen oder Gleitlagern.

Nebenbei bemerkt: Vielen Maschinen- und Anlagenbetreibern ist nicht bewusst, welche Daten ihre Maschinen bereits jetzt erfassen und (im Normalfall) ungenutzt verwerfen.

Vorteile von Predictive Maintenance

Vorausschauende Wartung

Maschinenausfälle und unerwartete Störungen können zu Verzögerungen in der Produktion führen. Folglich können auch die Termintreue und Kundenzufriedenheit darunter leiden. Und oft sind es nur kleine Handgriffe wie das Nachfüllen von Kühlflüssigkeit oder das Wechseln von Verschleißteilen, die größere Ausfälle der Maschinen oder Anlagen verhindern können. Durch die Unterstützung von Künstlicher Intelligenz lassen sich Zeitpunkte der Instandhaltung und Wartung erstaunlich präzise bestimmen, um so die Maschinenauslastung, Produktivität und Termintreue zu erhöhen. Durch die Reduktion ungeplanter Maschinenausfälle können außerdem Kosten eingespart werden, da beispielsweise Einsätze von Servicemitarbeitern oder unnötige Routinewartungen wegfallen.

Je mehr Daten für die intelligenten Algorithmen zum Lernen zur Verfügung stehen, desto genauer und gezielter kann die Wartung erfolgen.

Schneller Start mit vorhandenen Daten

Wie bereits angesprochen sind die Daten für präzise Vorhersagen oftmals schon vorhanden, oder können zumindest mit geringem Aufwand von den Maschinen abgezogen werden. Auf Basis dieser Daten kann ein Data Scientist in einem ersten Schritt identifizieren, welche „Low Hanging Fruit“ bereits große Chancen zur Optimierung von Prozessen bieten und welches Potenzial hier möglicherweise brachliegt. Auch eine nachträgliche Anbringung externer Sensorik kann im Rahmen eines Pilot-Projektes unkompliziert erfolgen und einen Anhaltspunkt für spätere Projekte liefern.

Schnellwarnsystem

Natürlich ist die reine Erkennung von Störungen und Verschleiß allein kein Mehrwert. Entscheidend ist, dass diese Warnsignale effektiv in den Produktionsprozess integriert werden. Dies kann durch ein Frühwarnsystem erfolgen, dass verantwortliche Mitarbeiter bei ungewöhnlichen Zuständen der Maschine informiert und im Idealfall sogar Handlungsempfehlungen für effektive Gegenmaßnahmen geben kann. Häufig bietet sich eine Integration in bereits vorhandene Shopfloor Management Systeme an, allerdings kann im Notfall auch auf E-Mail und SMS zurückgegriffen werden. Bei entsprechend ausgestatteten Maschinen können Shutdowns sogar vollautomatisch erfolgen.

Fazit

Predictive Maintenance gewinnt im Rahmen der Digitalisierung und der steigenden Anwendung von Industrie-4.0-Technologien immer mehr an Bedeutung. Die vorausschauende Wartung bietet für produzierende Unternehmen, die in der Regel ohnehin schon über die nötige Datengrundlage verfügen, einige Vorteile von weniger Ausfall- und Stillstandzeiten über eine bessere Maschinenleistung bis hin zu höherer Termintreue.

Warum zögern also viele Maschinen- und Anlagenbauer noch, Künstliche Intelligenz für ihren Mehrwert einzusetzen?

Besprechen Sie das Thema gerne mit mir, so dass wir offene Fragen zu Predictive Maintenance klären können.

AUTOR

Max Uppenkamp

Max Uppenkamp has been a Data Scientist at INFORM since 2019. After previously working in Natural Language Processing and Text Mining, he is now engaged in the machine-learning-supported optimization of processes. In addition to accompanying customer projects, he translates the knowledge gained into practice-oriented products and solutions.