Aktuelles

Predictive Maintenance – Was ist es? Wie es lässt sich im Unternehmen einsetzen?

Der VDI AK Unternehmer und Führungskräfte traf sich erstmals per Video-Meeting zu einem Vortrag über Predictive Maintenance.

Erstmalig als online Video-Meeting hielt der VDI Arbeitskreis Unternehmer und Führungskräfte diesen Themenabend ab. Obwohl nur kurzfristig angekündigt, fand er viele Interessierte und es kam neben dem hervorragenden Fachvortrag zu reger Diskussion. Ein probates Format also, das wir auch zukünftig gern wieder für Wissensvermittlung und Erfahrungsaustausch einsetzen.

Was ist Predictive Maintenance, wie unterstützen Algorithmen den Einsatz und was ist notwendig für die Einführung im Unternehmen – das waren die Kernfragen dieses Themenabends. Vielen ist der Begriff schon begegnet, aber was es genau ist und in aller Konsequenz bedeutet, ist vielfach noch nicht durchdacht oder es wird als Zukunftsplan vor sich her geschoben.

Die Referentin Petra Jacob, Diplom-Mathematikerin mit Nebenfach Informatik und Elektrotechnik, bringt Projekte bei Hightech-Firmen zum Laufen – von Beginn an oder aus Krisen heraus. Bei ihren Beratungsprojekten begegnen ihr auch immer neue und interessante Themen wie Predictive Maintenance, mit denen sie sich im konkreten Alltag näher auseinandersetzt.

Vor ungeplanten Ausfällen in der Produktion graut es jedem Betriebsingenieur: Maschinen müssen unter Umständen mühsam wieder hochgefahren werden und neben den Produktionsausfällen gibt es oft auch Qualitätsprobleme beim Wiederanlauf. So wie wir alle nur ungern am Straßenrand stehen und auf den Abschleppwagen warten, gilt es solche ungeplanten Ausfälle zu vermeiden.

Hierbei soll künstliche Intelligenz helfen – die automatische Auswertung von Maschinendaten und Wissen soll die frühzeitige Erkennung von Veränderungen in der Maschinenleistung ermöglichen.

Wann ist der günstigste Zeitpunkt für eine Wartung? Das ist die immer zentrale Frage. Klassische Wartungsansätze gehen von Wartungsintervallen aus, die auf Zählern basieren: z.B. Wartung nach 20.000 Stunden oder alle drei Monate. Ist aber das veranschlagte Intervall zwischen den Wartungen zu kurz, dann steigen die Kosten für Arbeitseinsatz und Ersatzteile. Ist das Intervall allerdings zu lang, dann kann es zu ungeplanten Ausfällen kommen.

Predictive Maintenance liefert Lösungswege: Der Einsatz von Algorithmen für maschinelles Lernen wertet Maschinendaten aus, die im Unternehmen bereits vorhandenen sind. Damit sind Abweichungen z.B. in der Maschinenleistung oder im Verbrauch früher erkennbar. Für die Modellierung eines solchen Algorithmus braucht es die relevanten Maschinen- und Messdaten, die auf das jeweilige Fehlerbild hinweisen. Um den Algorithmus eindeutig zu trainieren, braucht es also verlässliche Daten aus der Vergangenheit.

Neben den konkreten technischen Fragen, wie sich Algorithmen für Predictive Maintenance bilden und nutzen lassen, ist ebenso zu überlegen, wie man Predictive Maintenance im Unternehmen realisieren kann. Weil Algorithmen eine Rolle bei der Umsetzung spielen, wird es schnell als ausschließliches Thema für die IT gesehen. Aber das trifft auf Predictive Maintenance ganz und gar nicht zu, denn es braucht ein ganzes Team von Fachleuten – vom alten, erfahrenen Maschinenmeister, über den Betriebsingenieur bis hin zu den IT-Experten und Datenanalytikern. Letztere entwickeln den passenden Algorithmus und ‚trainieren‘ ihn.

Wie leistungsfähig ist die IT-Infrastruktur, ist als besonders wichtiger Punkt im Vorfeld zu klären. Sammeln sich doch schnell riesige Datenmengen, die in Echtzeit zu verarbeiten sind. Zwei Beispiele aus der Wartung eines Solarparks und eines Rechenzentrums zeigten, wie groß solche Datenmengen selbst bei nur wenigen Messdaten anwachsen können.

Algorithmen sind der Schlüssel für den Erfolg von Predictive Maintenance, um zuverlässig die diversen Vorhersagen zu treffen. Klassische Algorithmen im Maschinenlernen bilden ‚unkontrolliertes Lernen‘ und ‚kontrolliertes Lernen‘: Ersteres wird häufig zur Vorhersage von Daten genutzt und verwendet Methoden der linearen Regression. ‚Unkontrolliertes Lernen‘ wird bei Klassifizierungen angewendet, z.B. der Klassifizierung von Partikelgrößen für die Qualitätsüberwachung. Der Vortrag riss auch kurz die Hauptkomponentenanalyse für die Reduktion von Dimensionen und die Nutzung der Normalverteilung zur Erkennung von Anomalien an. Die Berechnungsbeispiele zeigten, dass zur Modellierung der Algorithmen gute statistische Kenntnisse erforderlich sind.

Diverse Praxisbeispiele zeigten deutlich, wie lernende Algorithmen bei der Wartung, Instandhaltung, Ersatzteilbeschaffung und Qualitätssicherung unterstützen. Predictive Maintenance – ein prozess- und kostenrelevantes Thema vor allem für produzierende Unternehmen, das allerdings mit einigen Herausforderungen einhergeht. Von typischen Fehlerbildern über Datenquellen und -qualität bis hin zur Algorithmenbildung und nicht zu vergessen den veränderten Arbeitsplatzbeschreibungen.

Petra Jacob | Projektmanagerin
Dipl.-Ing. Christa Holzenkamp | Leiterin VDI Arbeitskreis Unternehmer und Führungskräfte

Screenhot vom Video-Vortrag über Predictive Maintenance