Vorausschauende Wartung ist nicht nur ein KI-Problem

Vorausschauende Wartung ist die Nutzung neuer und historischer Maschinendaten, um Leistungsprobleme zu verstehen und vorherzusehen, bevor sie auftreten. Durch den Einsatz hochentwickelter machine learning und KI-Techniken zur Analyse der in modernen Fabriken erzeugten Daten kann die vorausschauende Analyse Ausfallzeiten verringern, die Leistung von Anlagen optimieren und die Lebensdauer von Maschinen verlängern.

Die Versprechen, die im Namen der vorausschauenden Wartung (PdM) gemacht werden, sind groß. Zweistellige Steigerungen bei der Anlagenauslastung. Intelligente Maschinen, die Leistungsprobleme erkennen, bevor sie auftreten. Enorme Steigerungen bei Gesamtanlageneffektivität (OEE), TEEP und OPE.

Für die meisten liegt diese Welt noch in weiter Ferne. Und was noch wichtiger ist: Die richtigen Vorhersagealgorithmen können das Problem nicht allein lösen.

Dieser Artikel stellt die vorausschauende Wartung in den Kontext. Ich erkläre, warum PdM nicht nur ein KI-Problem ist, und skizziere klare Schritte, die Sie unternehmen können, um das Beste aus Ihrem Maschinenüberwachung Programm herauszuholen.

Die meisten aktuellen Wartungsprogramme in der Fertigung sind präventiv. Vorbeugende Wartung (PM) findet in regelmäßig geplanten Intervallen statt oder wenn Maschinen vorgeschriebene Produktionsschwellen überschreiten.

Vorbeugende Wartung ist wichtig, um die Gesundheit von Anlagen zu gewährleisten, aber sie ist ein stumpfes Instrument. Die vorbeugende Wartung berücksichtigt nicht die Bedingungen, unter denen eine einzelne Maschine arbeitet, den unterschiedlichen Verschleiß verschiedener Maschinenteile oder andere Faktoren, die einen Ausfall vorhersagen könnten. Dies führt oft zu Wartungsplänen, die mehr oder weniger häufig als nötig durchgeführt werden. (Das klassische Beispiel ist der Ölwechsel bei Ihrem Auto alle 3000 Meilen, unabhängig von der Leistung).

Die vorausschauende Wartung hingegen nutzt die von einer bestimmten Maschine erzeugten Daten, um ein detaillierteres Bild der Lebenszyklen von Teilen und Anlagen zu erstellen. PdM nimmt theoretisch das Rätselraten aus der Planung der Wartung heraus. Da PdM einen Einblick in die Abnutzung einer bestimmten Maschine bietet, können Hersteller die Wartung effektiver verwalten.

Der Erfolg jeder vorausschauenden Wartung hängt von der Qualität und Quantität der in einem Trainingssatz verfügbaren Daten ab.

Das heißt, Sie benötigen 1.) genügend Daten, um eine repräsentative Stichprobe der Rechnerleistung im Laufe der Zeit zu erstellen, und 2.) Daten, die die Rechnerleistung und -nutzung unter den örtlichen Bedingungen genau widerspiegeln.

Um zu verdeutlichen, warum sowohl genügend Daten als auch gute Daten wichtig sind, werde ich auf beide eingehen. Zuerst die Quantität.

Es ist ein Mythos, dass Sie Petabytes über Petabytes an Maschinendaten benötigen, um erfolgreich prädiktive Algorithmen zu trainieren. Es ist auch ein Mythos, dass mehr Daten besser sind. Ich bin mir sicher, dass viele von Ihnen schon einmal den Ausdruck "Garbage in, garbage out" gehört haben, um zu beschreiben, wie ein schlechter Trainingssatz zu suboptimalen Ergebnissen führt.

Was Sie für PdM benötigen, sind genügend Daten, um eine repräsentative Stichprobe der Maschinenleistung zu liefern, die den Einsatz der Maschine in einem bestimmten Vorgang berücksichtigt.

Einem Professor für Wirtschaftsingenieurwesen zufolge ist es keine leichte Aufgabe, eine repräsentative Stichprobe zu erstellen. "Wenn es Tausende von Variablen gibt, brauchen Sie in der Regel Daten für Hunderttausende oder Millionen von Teilen, um aussagekräftige statistische Zusammenhänge zwischen Problemen und deren Ursachen zu finden.

Dies gilt insbesondere, wenn man die einschränkenden Worte "Verwendung bei einem bestimmten Vorgang" berücksichtigt.

Hier ist der Grund dafür: Die Lebenszyklen von Maschinen erstrecken sich über Jahre, wenn nicht Jahrzehnte. Das Sammeln eines repräsentativen Datensatzes erfordert daher die Beobachtung einer Maschine, während sie über einen längeren Zeitraum läuft. Eine Big-Data-Gruppe hat über PdM festgestellt: "Die Lebensdauer von Maschinen liegt in der Regel in der Größenordnung von Jahren, was bedeutet, dass Daten über einen längeren Zeitraum gesammelt werden müssen, um das System während seines gesamten Degradationsprozesses zu beobachten."

Dieses Mengenproblem wird durch die Tatsache verschärft, dass viele Hersteller nicht über ausreichende historische Daten verfügen. Vielleicht gibt es Informationen über Betriebs- und Ausfallzeiten, produzierte Teile und Wartungsprotokolle. Aber es ist eine große Annahme, dass diese Informationen genau sind, und sie sind wahrscheinlich nicht fein genug, um wirklich vorausschauende Erkenntnisse zu liefern.

Viele Hersteller haben versucht, diesen Datenmangel zu überwinden, indem sie ihre Vorhersagealgorithmen mit öffentlich verfügbaren Datensätzen trainiert haben. Während die meisten privaten Unternehmen ihre Produktionsdaten streng bewachen, gibt es einen regen Austausch von wissenschaftlichen und öffentlich zugänglichen Quellen, und eine schnelle Google-Suche wird viele auf Github aufzeigen.

Aber selbst diese reichen nicht aus, um die Hersteller vom PM zum PdM zu bringen, weil sie die Realität in der Fertigung nicht erfassen. Ganz gleich, wie groß der Datensatz ist, es fehlt ihm an ökologischer Validität.

Ein Ingenieur brachte dieses Datendilemma gut auf den Punkt, als er schrieb: "Die meiste Zeit ist es schwierig (wenn nicht gar unmöglich) [sic], Ausfallprotokolle von Maschinen zu erhalten, weil sie nicht unter realen Bedingungen bis zum Ausfall laufen dürfen. Hinzu kommt, dass wir mit einer Menge Rauschen von regelmäßigen Wartungsaktivitäten und ungenauen Wartungs-WO-Anrechnungen arbeiten müssen ... das wahre Leben ist hart.

Das bringt mich zum nächsten Punkt. Sie brauchen nicht nur genügend Daten, sondern auch die richtige Art von Daten.

Vielleicht reicht eine andere Art der Beschreibung der Datenqualität im Kontext von PdM aus, um auf die Kausalität zu schließen.

Das heißt, Qualitätsdaten sind Daten, die die Hersteller aus dem Dunstkreis der Korrelation herausführen und die Ursache von Maschinenausfällen aufdecken.

Das ist leichter gesagt als getan, denn eine Vielzahl von Produktionsfaktoren beeinflusst, wie schnell ein Teil oder eine Maschine ein Ausfallfenster erreicht. Spindeldrehzahl, Betriebsstunden, Temperatur, Vibration, Luftfeuchtigkeit, Nutzung - dies sind nur einige der Parameter, die auf einzigartige Weise zusammenwirken und in der Summe einen variablen Einfluss auf die Lebensdauer der Maschine haben.

Wie ein Autor treffend feststellte: "Der Zustand eines komplexen Geräts kann nicht zuverlässig anhand der Analyse jeder einzelnen Messung beurteilt werden. Wir müssen vielmehr eine Kombination der verschiedenen Messungen berücksichtigen, um einen echten Hinweis auf die Situation zu erhalten."

Die gute Nachricht ist, dass die Entwicklungen in der Sensortechnologie und im Edge Computing es möglich gemacht haben, eine breitere Palette von Leistungskennzahlen als je zuvor zu verfolgen. Die schlechte Nachricht ist, dass selbst die am besten vernetzten Maschinen nicht immer die wichtigsten Ursachen für die Verschlechterung der Maschinenleistung erfassen.

Jüngsten Untersuchungen zufolge sind 20-50% der Fehler in der Fertigung auf menschliches Versagen zurückzuführen, manche Schätzungen gehen sogar bis zu 70%.

In Bezug auf die vorausschauende Wartung bedeutet dies, dass das Verständnis der Art und Weise, wie die Maschinen genutzt werden, genauso wichtig oder sogar wichtiger ist als das Verständnis, wie die Maschinen laufen. Damit PdM so effektiv wie möglich arbeiten kann, brauchen Sie eine Aufzeichnung darüber, wie die Maschinen tagtäglich genutzt werden, ob sie richtig eingestellt sind, ob Umstellungen korrekt durchgeführt werden und ob die Wartung korrekt durchgeführt wird oder nicht.

Mit anderen Worten: Sie brauchen einen auf den Menschen ausgerichteten Ansatz für Maschinenüberwachung.

Selbst wenn Sie kein vollständiges PdM-Programm auf die Beine stellen können, können Sie mit ersten Schritten zu einem menschenzentrierten Maschinenüberwachung Programm fast sofort einen Mehrwert schaffen. Kleine Schritte können große Sprünge nach vorne bringen.

Hier sind konkrete Dinge, die Sie tun können, um anzufangen.

1.) Bringen Sie Ihre Fabrik so schnell wie möglich online. Wie ich hier bereits erklärt habe, sind robuste, lokale Daten der Grundstein für PdM. Je eher Sie damit beginnen, Maschinendaten mit IoT zu sammeln, desto eher können Sie diese Daten zu Ihrem Wettbewerbsvorteil nutzen.

Entgegen der landläufigen Meinung muss der Einstieg in IoT nicht teuer sein, und es muss nicht Ihr ganzer Betrieb betroffen sein. Es gibt einfache Möglichkeiten, ältere Maschinen online zu schalten, und die sinkenden Preise für Sensoren machen es möglich, mit der Überwachung der Umgebungsbedingungen zu beginnen, ohne große Ausgaben tätigen zu müssen.

2.) Betrachten Sie die Cloud. Die Datenmengen, die zum Trainieren und Ausführen von Vorhersagealgorithmen erforderlich sind, können Server und Rechenressourcen überfordern. Cloud Computing für die Fertigung ist eine zunehmend erschwingliche, sichere und skalierbare Option für die Bewältigung der Speicher- und Rechenanforderungen der prädiktiven Analytik, ohne dass Sie in eine eigene Infrastruktur investieren oder diese warten müssen.

3.) Verstehen Sie, was Sie von ML-Algorithmen erwarten können. Wenn Sie wissen, was machine learning Algorithmen vorhersagen können, können Sie Prioritäten setzen, welche Abteilungen, Maschinen oder Prozesse zuerst online gehen sollen.

Einige der häufigsten Vorhersagebereiche sind: Berechnung der Maschinenlebensdauer vor einem Ausfall, Identifizierung eines Zeitfensters, in dem ein Ausfall wahrscheinlich ist, Identifizierung der häufigsten Ausfallarten und Erkennung von anomalem Maschinenverhalten.

Zu wissen, was machine learning aufdecken kann, ist der Schlüssel zum Setzen von Prioritäten für digitale Transformation.

4.) Behalten Sie den Überblick über die Maschinennutzung. Maschinenüberwachung funktioniert am besten, wenn die Maschinendaten durch Informationen zur Maschinennutzung ergänzt werden. Dies geschieht am besten durch die Verbindung von Menschen und Maschinen über Betriebs-Apps. So erhalten Sie ein ganzheitliches Bild und können häufige Unklarheiten beseitigen.

Sind Sie neugierig, wie Sie Ihre Fabrik vernetzen können, um wirklich vorausschauende Erkenntnisse zu gewinnen? TulipDie Frontline-Operations-Plattform erfasst die menschlichen und maschinellen Daten, die Sie für eine vollständige Prozesstransparenz benötigen. Setzen Sie sich mit uns in Verbindung, um zu erfahren, wie wir Ihnen helfen können, Ihren Betrieb online zu bringen.