Die Geheimnisse einer effektiven Prognostik

Picture13


Eine Maschine kann noch so hochentwickelt sein – irgendwann kommt unweigerlich der Zeitpunkt, an dem eine unerwartete Störung auftritt und Ihrer Fabrik finanzielle Verluste und Imageschäden durch einen Maschinenausfall drohen. Die Auswirkungen solcher Vorfälle können höchst unterschiedlich sein: von direkten Kosten von mehreren tausend Euro pro Stunde bei Herstellern schnelldrehender Produkte bis hin zu über 1,5 Mio. Euro pro Stunde in der Automobilindustrie. Hinzu kommen mögliche Reputationsverluste. Und selbst Maschinen, die nach dem besten präventiven Instandhaltungskonzept gewartet werden, stehen im Lauf ihrer Lebenszeit irgendwann ungeplant still.

Zustandsüberwachung – die Lösung des Problems?

Zustandsüberwachung (Condition Monitoring, CM) ist der Prozess der Überwachung maschinenbezogener Zeitreihendaten (Schwingungen, Geräuschemissionen, Temperatur usw.), die analysiert werden, um Veränderungen zu ermitteln, die auf Fehler hinweisen können.

Der Lebenszyklus von Condition-Monitoring-Projekten folgt in der Regel einer spezifischen (kostspieligen) technischen Roadmap, die von der Erfassung der Systemspezifikationen über die Implementierung, den Rollout, das Training und den laufenden Support reicht. Erst in den späteren Phasen dieser Roadmap wird Wert erzielt, und erst dann – wenn überhaupt – kann ein Return on Investment (ROI) nachgewiesen werden. Außerdem erfordert die Zustandsüberwachung fachkundige manuelle Analysen. Und ein großes Problem ist, dass die Daten selbst keinen Kontext haben – sie helfen weder den Instandhaltern noch sonst jemandem bei der Einschätzung, wie lange die Anlage noch funktionieren wird.

Die begrenzte Skalierbarkeit der Zustandsüberwachung und der oft nicht feststellbare ROI machen es schwierig, die Budgetverantwortlichen von einer Investition zu überzeugen. Die Prognostik liefert jedoch die entscheidenden fehlenden Informationen.

Picture12
Prognostik macht die Restlebensdauer von Maschinen vorhersehbar

Prognostik ist eine Wissenschaft, die es ermöglicht, genaue Vorhersagen zur Restlebensdauer einer Maschine zu treffen. Sie liefert zusätzliche Kontextinformationen, die für alle am Anlagenbetrieb Beteiligten nützlich sind, vom Instandhalter bis zum CFO. Das macht sie zu einer entscheidenden Voraussetzung für eine präzise vorausschauende Instandhaltung. Richtige Prognosen zu erstellen ist jedoch schwierig, und es gibt dabei eine Reihe wichtiger Punkte, die sorgfältig beachtet werden müssen.

Prognostik muss sich auf Zustandsüberwachung stützen

Die Prognostik benötigt Daten aus der Zustandsüberwachung, um aussagekräftige Ergebnisse zu erbringen. Das bedeutet: Es muss in eine grundlegende Hardwareausstattung und Kommunikations- und Datenspeicherinfrastruktur für die Zustandsüberwachung investiert werden. Bei der Auswahl dieser Infrastrukturen sollte auf Skalierbarkeit geachtet werden (einfache Installation, minimale Wartung, minimale Kosten). Eventuell können Daten aus vorhandenen speicherprogrammierbaren Steuerungen (SPS) ausgelesen werden, um bei einem Anfangsprojekt noch keine zusätzlichen Hardware-Investitionen tätigen zu müssen.

Genaue Verschleißdaten sind erforderlich

Verschleißdaten können auf verschiedene Weise erfasst werden, doch bis vor kurzem bestand die gängigste Methode darin, Anlagen bis zu ihrer Zerstörung zu betreiben und ihre Ausfallmodi aufzuzeichnen, um sie in hartcodierte Modelle zu integrieren. Nicht nur aus Kostengründen ist dies in einem industriellen Szenario offensichtlich nicht praktikabel; daher waren solche Techniken meist auf Sicherheitsbewertungen in der Luft- und Raumfahrtindustrie und im Rüstungssektor beschränkt.

Ein weitaus praxisgerechterer Ansatz ist die Nutzung von Instandhaltungsinformationen zum Aufbau prognostischer Modelle. Für eine automatisierte Prognostik müssen diese Informationen elektronisch in einem Wartungsmanagementsystem gespeichert werden.

Ohne Automatisierung keine Effektivität

Genau wie die Zustandsüberwachung ist auch die Prognostik nicht skalierbar, wenn sie von menschlichen Berechnungen und Interpretationen abhängig ist. Diese erfordern in der Regel ein fundiertes Verständnis für Techniken der Zustandsüberwachung und Datenanalyse, das meist nur zu einem hohen Preis zu haben ist (50.000+ Euro). Bei weniger als 50 Assets mag das noch angehen, doch manuelle Analysen durch Mitarbeiter werden schnell unverhältnismäßig kostspielig. Während sich Branchen wie die Luft- und Raumfahrt oder Rüstung diesen Aufwand leisten können, ist es für die meisten Industrieunternehmen unerschwinglich, für jede Anlage ein eigenes Team von Data Scientists zu beschäftigen.

Zum Glück ist jedoch durch die explosionsartige Vermehrung preiswerter Cloud-Computing-Angebote und die Entwicklung der maschinellen Lerntechniken in den letzten Jahren die Rechenleistung verfügbar geworden, die zur Automatisierung der Prognostik erforderlich ist.

Skaleneffekte nutzen

Im Fertigungssektor gibt es typischerweise eine Vielzahl intensiv genutzter Maschinen, die oftmals über geografische Regionen und Teilsektoren hinweg identisch oder ähnlich sind. Das erhöht die statistische Aussagekraft der Datenanalysen und ermöglicht es, Prognosemodelle und Analyseverfahren auszutauschen.

Wenn eine bewährte Methode zur Fehlererkennung für eine Maschine entwickelt wurde, sind die Ergebnisse nicht nur für diese eine Maschine aussagekräftig, sondern auch für alle ähnlichen Maschinen. So entstehen Skaleneffekte, die die Kosten von Prognosesystemen stark verringern.

Beziehungen zu Ereignissen herstellen

Neben Sensordaten verfügen intelligente Fabriken auch über zahlreiche Daten zur Nutzung, Wartung und anderen betrieblichen Ereignissen. Diese Daten können zusätzlichen Kontext liefern, der für die Prognosemodelle dienlich ist. Wenn bekannt ist, wie sich der Maschinenzustand aufgrund von Produktionsanforderungen verändert, lässt sich der Unterschied zwischen einem bevorstehenden Ausfall und einer bloßen Betriebsänderung leichter erkennen.

Prognostik-Projekte implementieren

Allzu viele IoT-bezogene Projekte scheitern, und damit Ihr Prognostik-Projekt die traurige Statistik nicht erhöht, sollten Sie es richtig planen. Prognostik ist eine Herausforderung, und um die Erfolgsaussichten zu steigern, empfehlen wir den 3-E-Ansatz: Establish, Exploit, Enhance (Einführung, Auswertung, Verbesserung).
Picture13

Einführung

Wenn in der Einführungsphase die Daten und Erfassungsmöglichkeiten genutzt werden, die SPS bereits bieten, kann ein Prognostik-Projekt mit minimalen Investitionen gestartet werden. Ziel ist es dabei, Fähigkeiten zu entwickeln, die genutzt werden können, um ein positives Ergebnis und Vorteile für das Unternehmen zu erbringen. Diese erste Phase sollte mit einer kleinen Zahl offensichtlich störungsanfälliger Maschinen durchgeführt werden, bei denen der mittlere Ausfallabstand sechs Monate oder weniger beträgt, damit in der nächsten Phase Ausfälle beobachtet werden können und aus ihnen gelernt werden kann.

Auswertung

In der Auswertungsphase werden – anfangs in eingeschränktem Umfang – Hinweise gesammelt, um die Lücken in der prognostischen Lösung zu bestimmen, sowie Hinweise zur Reduzierung von Ausfallzeiten und zusätzlicher Kontext zur Maschinenlebensdauer. Diese Hinweise sind ausschlaggebend für die Planung der Verbesserungsphase.

Verbesserung

Da nun ein besseres Verständnis für ein Prognostikproblem und seine Bedeutung gewonnen wurde, liegen in der Verbesserungsphase die erforderlichen Nachweise vor, um Ausgaben für zusätzliche Sensor-Hardware und Ressourcen für den nächsten Durchgang des 3-E-Zyklus zu rechtfertigen. Wichtig ist hier, eine skalierbare Prognose-Software zu spezifizieren.

Sobald die Verbesserungen umgesetzt sind, kann der Zyklus wiederholt werden, um die Fähigkeiten auszuweiten und einen höheren ROI zu erzielen.

Was bringt die Prognostik?

Wie eine kürzlich von McKinsey durchgeführte Studie zeigt, darf man von einem Programm für vorbeugende Instandhaltung eine über 50-prozentige Reduktion der Ausfallzeiten erwarten.

In einem Unternehmen, das mit einer respektablen Gesamtanlageneffektivität (GAE) von 50 % arbeitet (85 % Qualität, 69 % Verfügbarkeit, 85 % Leistung), könnten automatisierte Prognosen zur Unterstützung der vorausschauenden Instandhaltung die GAE schnell um sage und schreibe 11 % steigern – und das noch ohne Berücksichtigung der indirekten Verbesserungen, die sich hinsichtlich der Qualität und Leistung ergeben werden.

Mit effektiver Prognostik kann ein Unternehmen ungeplante Ausfallzeiten enorm reduzieren und dadurch seine Kosten senken und die Rentabilität steigern.

Eine iterative Prognostik erfordert kein riesiges Finanzbudget, das von oberster Stelle bewilligt werden muss. Außerdem hat sie eine kurze Vorlaufzeit, sodass sich schnell ein Nutzen nachweisen lässt, um die Genehmigung zur Ausweitung des Projekts zu erhalten. Der wichtigste Ratschlag lautet: Widerstehen Sie der Versuchung, einen „Urknall“ herbeizuführen. Beginnen Sie zielgerichtet, demonstrieren Sie den Erfolg und nutzen Sie ihn als Rechtfertigung, um Ihre Prognostik auszubauen.

Prognostik revolutioniert die Nutzbarkeit der Zustandsüberwachung, doch diese Revolution muss durch Evolution herbeigeführt werden.