Predictive Maintenance and Quality

Kleiner Anfang,
große Wirkung

Bild: Cenit AG

Kaum eine Veranstaltung zu Industrie 4.0 kommt ohne den Verweis auf Predictive Maintenance aus. Zurecht, denn KI-basierte Vorhersagemodelle führen  zusammen mit der Auswertung von Maschinendaten in der Praxis zu oft deutlich besserer Produktionsqualität.

Oft beobachten Unternehmen die Entwicklung der Predictive-Maintenance-Lösungen mit Interesse, doch vor einer Einführung gibt es viele Fragen zu beantworten und Hürden zu überwinden. Und nicht zuletzt besteht Unsicherheit, ob die geeignete Expertise in der Belegschaft bereits vorhanden ist, um den Einsatz von künstlicher Intelligenz in die Praxis zu bringen.

Mehr Sensoren, mehr Daten

PMQ (Predictive Maintenance and Quality)-Visionen und Nutzendarstellungen basieren auf der Idee, dass alle Produktionsschritte und ihre Daten zentralisiert verarbeitet werden, um sich so einer selbststeuernden Produktion anzunähern. Diese Idee wird wiederum mit der Cloud assoziiert, da nur so die wachsenden Datenmengen bewältigt werden können. Das Wachstum liegt in der steigenden Anzahl von Sensoren in neuen Maschinen sowie in Sensornachrüstungen im Bestand begründet. Denn fast alle Maschinen extrahieren heute Daten und lassen sich durch zusätzliche Sensoren ergänzen.

Nutzen im Fokus

Ebenso muss das Zielbild einer IoT-Plattform hinterfragt werden, wenn man sich dem Thema PMQ widmet. Der Nutzen entsteht nicht durch die IT-technische Sammlung, Verwaltung und Speicherung von Maschinen- und Produktdaten. Er ist die Folge, wenn Ingenieure und Datenexperten Use-Case-basierte Modelle entwickeln und anwenden. Das Wissen über die Produktion und die Nutzung von prädiktiven Methoden sollte im Fokus stehen – nicht die Existenz einer IT-Plattform.

Mit einzelnen Punkten starten

Werden diese Visionen zu Beginn entsprechender Projekte erst einmal relativiert, können die Beteiligten in der Regel konkret und praktisch über einzelne Produktionspunkte sprechen, deren Analyse als Startpunkt genutzt werden soll. Moderne Sensoren können dazu bedarfsgestützt ergänzt werden – gegebenenfalls auch ohne Eingriff in bestehende IT-Lösungen, Netzwerke oder Produktionsanlagen. Die entsprechenden Daten werden dazu in einer gemieteten bzw. in einer im Rahmen eines PMQ-as-a-Service bereitgestellten Umgebung aufgenommen und mit prädiktiven Methoden analysiert. Diese Ergebnisse werden wiederholt mit den Mitarbeitern vor Ort bewertet.

Aus der Praxis

Ein Beispiel: In der Fertigung eines mittelständischen Unternehmens werden verschiedene Metallteile durch Nietvorgänge zusammengefügt. An jeder Station im Produktionsverlauf wird dabei mit mehreren Nietdöppern gefertigt, wobei der Ausfall nur eines Nietdöppers in einer einzelnen Station zu einer Unterbrechung des gesamten Prozesses führt. Zudem führt unerkannter erhöhter Verschleiß eines Nietdöppers zu erhöhtem Ausschuss. Für die Verfügbarkeit der Gesamtanlage und die Qualität des gesamten Prozesses ist es daher von Vorteil, die einzelnen Nietdöpper mittels einer Predictive-Maintenance-Lösung zu analysieren, um Verschleiß und Ausfälle vorherzusagen. Dass das möglich ist, konnte bereits im Rahmen einer explorativen, prototypischen Analyse nachgewiesen werden. Zudem wurde – auch ohne vollständige Erfassung des gesamten Produktionsprozesses – die Einsatzfähigkeit und der Nutzen einer PMQ-Lösung validiert. Durch den Einsatz von Datenanalysen und eines Machine-Learning-Ansatzes war es möglich, Veränderungen im Nietvorgang zu erkennen und deren Folgen zu prognostizieren.

Beispiel Getränkeindustrie

Ein weiteres Beispiel stammt aus der Getränkeindustrie: Dort werden Bierflaschen im sogenannten Gegendruckverfahren befüllt. Stimmen der Vorspanndruck in der Flasche und der Abfülldruck nicht überein, führt dies zu Überschäumen und zu Unterfüllungen der einzelnen Flaschen und letztlich zu ungeplanten Stillstandzeiten bei den Maschinen und entsprechenden Reinigungsarbeiten. Da der Innendruck pro Flasche technisch bedingt nicht gemessen werden kann, werden Prädiktoren aus Umgebungsvariablen ermittelt – u.a. die Menge des verwendeten CO2, die Anzahl abgefüllter Flaschen und die Gesamtmenge der abgefüllten Sorte. Anschließend werden mithilfe eines prädiktiven Modells Korrelationen für positive und negative Fälle generiert. Nach dem Training dieses Modells können über einen ‚Healthscore‘ Zustandsbeschreibungen und Vorhersagen über mögliche Ausfälle getroffen werden.

Iteratives Vorgehensmodell

Cenit hat ein iteratives Vorgehen entwickelt, das sich in unterschiedlichen Situationen anwenden lässt. Um initiale Investitionskosten zu vermeiden, wurde dafür das Pay-per-Use-Modell eingeführt. So wird die Verschmelzung von IT-(Cloud-) Plattformen, Branchen- und Prozessexpertise zu einer individuellen Lösung mit einem pauschalem Abrechnungsmodell möglich. Die damit verbundene Verschiebung von Capex (Capital Expenditure) zu Opex (Operational Expenditure) ist für viele ungewohnt. Es ist daher sinnvoll, sich früh damit zu befassen, um mögliche Fragen zu klären.

Klein anfangen

Der Einstieg in KI-basierte IoT- und/oder Predictive-Maintenance-Lösungen setzt nicht zwingend eine End-to-end-Betrachtung des gesamten Produktionsprozesses voraus. Ein Einstieg über Analyse und Vorhersage in einzelnen relevanten Produktionsschritten ist empfehlenswert und wird durch Managed-Services-Modelle ermöglicht. Der Fokus sollte erfahrungsgemäß nicht auf der IT-technischen Umsetzung liegen, sondern auf der partnerschaftlichen Zusammenarbeit zwischen den Produktions- und Predictive-Experten.