Ausfallsicherheit ist ein zentrales Kriterium für die Qualität der Produktion. Auf Predictive Maintenance-Systeme sollte dabei kein Unternehmen mehr verzichten. (Bild: Andreas Croonenbroeck)
Autobauer setzen verstärkt auf den Dreiklang aus Sensorik, Data Analytics und Künstlicher Intelligenz, um ihre Produktionssysteme passgenau zu warten. Die Zeiten eher experimenteller Predictive-Maintenance-Insellösungen läuft ab. Fast alle OEMs rollen cloudbasiert Lösungen zur zustandsorientierten, vorausschauenden Instandhaltung in ihren Produktionsnetzwerken aus.
Denn wenn eines besser nicht passieren sollte, dann Produktionsstillstand. Nur fünf Minuten Ausfall genügen in der Automobilproduktion, um im Schnitt Kosten in Höhe von 100.000 Euro zu verursachen. Ganz zu schweigen von Ausschuss, Materialverschwendung und Qualitätsproblemen. Autohersteller und Zulieferer kommen um eine datenbasierte Wartung nicht mehr herum in deren Zentrum Data Mining, Analytics und Digital Performance Management stehen.
Mächtiger Trend dabei ist, möglichst vollautomatisiert aus großen Datenmengen Erkenntnisse zu gewinnen, um Abweichungen, Abhängigkeiten, Gesetzmäßigkeiten und Muster zutage zu fördern. Was die Antwort auf die entscheidende Frage liefert: Wann wird eine Maschine voraussichtlich ausfallen? So gewonnene Prognosen sind mittlerweile im Schnitt zu 80 Prozent genau, wodurch die Wartung exakt geplant werden kann, noch bevor ein Werkzeug wirklich ausfällt.
Was ist Predictive Maintenance?
Unter Predictive Maintenance (vorausschauende Instandhaltung) versteht man zielgenaue Wartungen auf Basis datenbasierter Prognosen, bevor Schäden entstehen. Möglich wird das durch die permanente Überwachung und Auswertung von Maschinen- und Prozessdaten. Um den richtigen Zeitpunkt zu finden, werden Daten und Statistiken per Machine Learning und Modellierung genutzt, um Probleme zu identifizieren und ihnen vorzubeugen. Vorteil: Die vorausschauende Instandhaltung basiert auf dem tatsächlichen Zustand von Maschinen oder Geräten und nicht auf festen Intervallen.
Skoda setzt auf Kamerasystem zur Fehlererkennung
Unter anderem Skoda setzt im Stammwerk in Mlada Boleslav auf Predictive Maintenance mit Hilfe von KI-basierter Bilderkennung. Das unternehmenseigene FabLab hat hierzu das System Magic Eye installiert, das die Anlagen fortlaufend überwacht und mittels einer angeschlossenen KI Unregelmäßigkeiten in den Betriebsabläufen erkennt. „Mithilfe künstlicher Intelligenz vergleicht das System ständig den aktuellen und den optimalen Betriebsablauf. Dabei wird es auf bestimmte Muster konditioniert, lernt ständig dazu und erkennt Veränderungen sofort“, erklärt Miroslav Stejskal, Koordinator für prädiktive Wartung beim Zentralen Technischen Dienst von Skoda Auto. Auf diese Weise könne man unmittelbar reagieren, die Effizienz der Prozesse optimieren und die bestmögliche Auslastung der Produktionskapazitäten sicherstellen.
Die Bilder von Anlagen und Verschleißteilen wie etwa Trägern, Bolzen oder Leitungen liefern Kameras auf dem Hängeförderer der Produktionslinie. Magic Eye vergleicht dann die Aufnahmen mit tausenden gespeicherten Bildern, um Fehlerquellen zu identifizieren. Blaues Licht stellt zusätzlich sicher, dass die Künstliche Intelligenz Unterschiede zwischen Rissen und Kratzern zuverlässig erkennt und die richtigen Diagnosen stellt. In die Betrachtung der einzelnen Teile fließen zudem Informationen zu bereits erkannten Unregelmäßigkeiten ein, so dass das System dazulernen und sich selbst optimieren kann.
BMW wartet Werke weltweit mit Weitblick
Auch in der Fördertechniküberwachung des BMW-Werks Regensburg berechnen Algorithmen unter Berücksichtigung diverser Einflussparameter wie elektrische Ströme, Temperaturen und Vibrationen Anomalien im Verhalten. Effekt: „Ersatzteile, wie Laufrollen oder Motoren, werden nicht mehr pauschal nach einer bestimmten Laufzeit repariert oder ausgetauscht, sondern nach dem errechneten Zustand“, erklärt Lena Desch, Product Ownerin Production Monitoring für die BMW Group. Für die Instandhalter sei nunmehr „ihr wichtigstes Werkzeug das Smartphone“. Statt zur Ursachenforschung bei einem Ausfall oder für Wartungsplanungen Dokumente, Pläne und Ersatzteile zu besorgen und zwischen Anlagen, Stützpunkten und Lagern hin und her zu laufen, wird bei einem Stillstand oder drohenden Fehler der Instandhalter über sein Smartphone durch Sensoren an der Maschine oder ein digital erstelltes Störungsticket durch den Produktionsmitarbeiter alarmiert. Dank der Datenanalyse beschreibt die Störmeldung beziehungsweise der vorausschauende Blick auf eine solche bereits mögliche Fehlerursachen.
In der Antriebsfertigung der BMW Group erkennt das hierfür entwickelte System zur vorausschauenden Instandhaltung Auffälligkeiten durch einfache statistische Modelle sowie in komplexeren Fällen über prädiktive KI-Algorithmen, erklärt Julia Hartl, IT Product Ownerin für Predictive Maintenance: „Mit Hilfe von Visualisierungen und Alarmen wird der Produktionsmitarbeiter über anstehende Wartungsarbeiten im Voraus informiert.“ Soweit möglich, werden an allen weltweiten Produktionsstandorten mehr als 4.000 Schweißzangen im Karosseriebau für Predictive Maintenance ertüchtigt. „Bis zu einem Viertel der bisherigen Ausfälle können so verhindert werden“, sagt Desch.
Welche Vorteile Predictive Maintenance bietet
Für Nela Murauer, Leiterin Digitalisierung Instandhaltung und Shopfloor Management bei BMW, liegen die Vorteile auf der Hand: „Durch Predictive Maintenance können Wartungs- und Instandhaltungsprozesse an den realen Zustand angepasst werden.“ Somit würden Instandhaltungsmaßnahmen nicht nur von der laufenden Produktion entkoppelt und in die produktionsfreie Zeit geschoben, sondern auch zielgerichteter, kosteneffizienter und ressourcenschonender durchgeführt. Murauer: „Auch eine Verlängerung von Laufzeiten erhöht maßgeblich die Nachhaltigkeit der eingesetzten Produktionsmittel.“
Gestützt auf praktische Erfahrungswerte des US-Softwareunternehmens PTC sowie deren Kunden und Branchenanalysten kann ein Produktionsunternehmen, das jährlich eine Milliarde US-Dollar Umsatz macht, mit Einsparungen zwischen 2,6 und 5,6 Millionen US-Dollar rechnen. Kein Wunder also, dass bei BMW und anderen Branchengrößen die Tools konzernweit ausgerollt werden sollen – was nicht gerade einfach ist. „Die aktuellen Herausforderungen liegen in der Heterogenität der Fertigungstechnologien- und verfahren sowie unterschiedlicher Anlagentechnik“, erklärt Desch. Denn ohne Datenstandardisierung über alle Werke und Fertigungstechnologien hinweg keine smarte Wartung.
Wie man Predicitive-Maintenance-Tools implementiert
„Das A und O für die Implementierung ist es, ein solides Datenfundament zu schaffen“, erklärt Arian van Hülsen, IIoT / Analytics Technical Sales Lead bei PTC. Daten müssten in interdisziplinären Teams strukturiert, standardisiert, bereinigt und lesbar gemacht werden, denn sonst wird es nichts mit einem ganzheitlichen Data Analytics-Ansatz. „In einer immer komplexer werdenden Automobilproduktion ist das eine Mammutaufgabe“, weiß van Hülsen.
Allerdings helfen dabei Softwaretools. Wie auch in der späteren permanenten Datenanalyse, die für ein ausgefeiltes Digital Performance Management (DPM) inzwischen unerlässlich sei. Das liefere nicht nur abstrakte Kennzahlen, sondern konkrete Erkenntnisse darüber, wo genau man in der Produktion wodurch Zeit verliert, woher qualitative Mängel rühren, warum an verschiedenen Stationen oft nachgearbeitet werden muss. „Durch DPM lassen sich Probleme kontinuierlich tracken“, betont der Experte. Es ist sozusagen der digitale Detektiv in der Werkshalle.
Bei aller softwareseitigen Unterstützung rät van Hülsen dazu, sich zu Beginn eines Predictive-Maintenance-Projektes genau auf dem Shopfloor umzuhören, wo es Schwierigkeiten gibt – und welche gar keine sind. Möglicherweise werden kleinere Probleme ohnehin von den Werkern rechtzeitig behoben, ohne dass es zu Ausfällen kommt. Oder: In welchem Takt macht ein Alarm über drohenden Stillstand Sinn? Sind fünf Minuten zu knapp? Oder 24 Stunden? Niemand kann das besser beurteilen als Instandhalter. Zu klären sei auch, wie die Anwender informiert werden sollen? „Wenn den Anlagenfahrer die Information zu umständlich erreicht, nutzt sie nicht viel“, so der Experte. Idealerweise werde ein neues Dashboard in bereits benutze Umgebungen – von Azure bis SAP – integriert.
Tools haben ihr Potenzial längst nicht ausgeschöpft
Wohin die Reise in Sachen Predictive Maintenance geht, skizziert Philipp Drieger, KI-Experte und Principal Machine Learning Architect bei Splunk: „Der Haupttrend und -schlüssel liegt in immer feingliedrigeren Analyseverfahren und besserer Modellierung, wodurch letztlich die Vorhersagegenauigkeit steigt.“ KI, die im Grunde selbst ihre KI baut, indem sie selbst die je nach Anwendungsfall besten Algorithmen auswählt, trägt dazu bei.
Maschinelles Lernen hilft auch beim Wühlen in Massen historischer Daten, um noch besser False Positives auszusortieren: „Um Fehler, die keine sind, und damit unnötige Wartungen zu vermeiden, müssen Predictive-Maintenance-Tools sehr viel stärker historische Daten und bisherige Ergebnisse überwachen und analysieren“, erklärt Drieger. So wie heute schon weitgehend Fehlermuster automatisiert erkannt würden, so werden Werkzeuge der vorausschauenden Wartung künftig in hohem Maße automatisiert arbeiten, ist Drieger überzeugt.
