Predictive Maintenance Hype oder Realität?

 

Praktische Anwendung.

 

 

 

Ob in der Automobil-, Pharma- oder Lebensmittelbranche -die negativen Auswirkungen eines Stillstands einer Produktionslinie sind immens. Schnell geht es um Kosten in Millionenhöhe. Es wird geschätzt, dass ein Stillstand einer einzigen er Produktionslinie in der Automobilbranche jede Minute mehr als 25.000 Euro kosten kann, zusätzlich zu den negativen Auswirkungen auf die Kundenbeziehungen und das Markenimage an sich.

 

Aus diesem Grund haben Unternehmen wie Volkswagen begonnen Systeme zu implementieren, die helfen, eine effektivere Wartung durchzuführen und unerwartete Stillstände zu vermeiden.

 

Hauptursachen für unerwartete Stillstände waren dort:

 

a) Falsche oder verspätete Wartungspläne

 

b) Mangelnde Kenntnisse über die technische Bedienung der Maschinen

 

c) Verwendung ungeeigneter Ersatzteile

 

d) Unausgereifte Produktionspläne, das heißt viele Stopps und Starts der Linie

 

e) Überlastung der Maschinen

 

f) Stark wechselnde und aggressive Umgebungen (Temperaturen, Schmutz, geringe Qualität der elektrischen Energie...)

 

g) Versteckte Korrelationen (Wochentage, Sabotage, Mikro-Variationen in Sensoren, Software...)

 

 

 

Über allem aber steht das mangelnde Wissen der Bediener über die Wartungspläne und die Auswirkungen ihres Handelns auf die Maschinen.

 

Vielen Studien zeigen, dass die Qualität der Produktherstellung nach vorbeugenden Wartungsmaßnahmen sogar abnimmt, da die Einstellungen verändert werden.

 

Die neuen digitalen Wartungshelfer, die von Algorithmen gesteuert werden, „hören“ auf jede Abweichung der Maschinen, und geben den Wartungsexperten damit einen neuen Blickwinkelund viel präzisere Handlungsmöglichkeiten.

 

 

 

Vor der prädiktiven Wartung...

 

 

 

Der erste Schritt, damit prädiktive Algorithmen den Menschen überhaupt helfen können, ist, dass wir sie ernst nehmen.

 

Bediener werden nicht glauben, was die Algorithmen ihnen sagen, wenn sie nicht in der Lage sind, sie zu verstehen.

 

Aus diesem Grund müssen die Algorithmen bereits bevor sie mögliche Ausfälle erkennen, in der Lage sein, den Wartungsexperten Informationen zu liefern, die für sie nützlich sind und ihnen das Vertrauen geben, dass der Algorithmus auch präventive Variablen berücksichtigt, die denen eines erfahrenen Mitarbeiters ähneln.

 

Dies wird "Steered Preventive Maintenance" genannt.

 

Damit erhält der Instandhalter auf einem Dashboard alle grundlegenden Variablen der Maschinen auf einen Blick und ein besseres Verständnis für die Zusammenhänge und mögliche Risikofaktoren.

 

 

 

In dieser Phase lernen die Algorithmen auch die spezifischen Gesetze jeder Maschine, die ihnen später helfen werden, Ereignisse genauer vorherzusagen.

 

 

 

Es gibt hunderte von physikalischen Formeln (Dynamik, Thermodynamik, Kinematik, Elektrik, Fluiddynamik...), die das Verhalten von Maschinen erklären.

 

In einem der Produktionswerke der Volkswagen Gruppe entwickelten man dort zusammen mit Ingenieuren von LIS Data Solutions einen vorausschauenden Wartungsalgorithmus, der auf diesen physikalischen Formeln basiert und die neuesten mathematischen und Big-Data-Technologien anwendet, um die Korrelationen zu finden, die dazu führten, dass die Fertigungsroboter nicht mehr richtig funktionierten.

 

 

 

 

 

Methoden zur Vorhersage möglicher ungeplanter Ausfallzeiten

 

 

 

Der Trick liegt in der multidimensionalen Analyse.

 

 

 

Aktuelle präventive und vorausschauende Wartungssysteme basieren meist auf einer eindimensionalen Untersuchung der Maschinen. Das heißt, wenn die Temperatur eines Sensors um mehr als 25% von seinem Normalwert abweicht, wird ein Alarm an den Wartungsexperten gesendet, der aufgrund seiner Erfahrung eine Aktion durchführt oder nicht.

 

 

 

Es kommt jedoch auf die Kombination an: Wie im menschlichen Körper werden auch bei Maschinen die größten Probleme erst durch die Kombination von Abweichungen verschiedener Variablen erzeugt. Körpertemperatur, Blutdruck, Herzfrequenz, Blutzuckerspiegel ... Eine erhöhte Temperatur für sich genommen kann schlichtweg auch ein Zeichen für stärkeren Einsatz/sportliche Betätigung.

 

 

 

Für Volkswagen hat LIS Data Solutions die prädiktiven Algorithmen RUL (Remaining Useful Life) und ROF (Risk of Failure) entwickelt, bei denen laufend all diese Variablen und ihre Korrelationen untersucht werden, um "multidimensionale Konstanten" zu finden, die überwacht werden und mögliche Probleme frühzeitig anzeigen.

 

 

 

Die Programmierung dieser Algorithmen wurde von Mathematikern, Physikern und Experten im Maschinenbau entwickelt, die neben den digitalen Werten auch die physikalischen Gesetze kennen, die das Verhalten von Maschinen bestimmen.

 

 

Technische Lösung: 4ms Multisensoren Messung & 15 Attribute

 

 

 

Zur Vorhersage von Ausfällen der Roboter wurden Daten-Modelle erstellt, die auf Basis von Vergangenheitswerten 15 Attribute auswerten und trainieren. Die erstellten Modelle werden verwendet, um die Daten in Echtzeit zu analysieren und eventuelle Probleme vorherzusehen. Im Falle der Entdeckung einer Anomalie wird die verbleibende Nutzungsdauer (RUL) der Roboterkomponenten und des Roboters selbst vorhergesagt, sodass das Wartungsteam Korrekturmaßnahmen optimal planen kann. Die aktuelle Leistung des Roboters und mögliche Ausfälle werden in Echtzeit in leistungsfähigen Dashboards visualisiert.

 

Um die komplexen Muster und Korrelationen in den Daten des Roboters zu identifizieren, werden die neuesten Algorithmen des maschinellen Lernens verwendet, welche den Technikern gezielte Einstellungen empfehlen, die die Roboter nicht nur vor einem Ausfall, sondern auch vor unnötigem Verschleiß schützen. Nach tieferen Studien können künstliche neuronale Netze oder sog. „Fuzzy-Logik“-Systeme verwendet werden, um sich nicht-linearen funktionalen und dynamischen Abhängigkeiten, die sich in den Daten verstecken, anzunähern. Alternativ können auch traditionelle maschinelle Lernalgorithmen wie SVM oder K-means verwendet werden, um leistungsfähige Vorhersagemodelle zu erstellen.

 

Durch die Kombination der State-of-the-Art Technologien wie Apache Kafka, Apache Spark, Elasticsearch, Hadoop HDFS, R und Kibana mit leistungsfähiger Hardware verfügt man heute über eine skalierbare, fehlertolerante und effiziente Big-Data-Architektur.

 

 

 

 

 

Das Predictive Maintenance Tool wurde ausgehend vom erfolgreichen Pilotprojekt in der Niederlassung Pamplona in folgenden 5 Schritten implementiert:

 

 

 

Implementierung des Real Time Connectors an jedem Roboter

 

Programmierung einer Datenintegrationsschicht (ETL)

 

Inbetriebnahme Echtzeit-Datenanalyse und -Visualisierung

 

Einrichtung der langfristigen Datenspeicherung

 

Visualisierung und Nutzung der geschaffenen Intelligenz

 

 

 

Sobald die Daten der Sensoren erfasst und über ein Gateway aus der Produktionsumgebung extrahiert wurden, gelangen sie in die Datenumgebung. Der erste Schritt ist die Datenintegration mit einem leistungsfähigen Datenmanagement-Tool. Dafür kann beispielsweise Apache Kafka verwendet werden, welches massive Datenströme empfangen, klassifizieren, nach Themen bündeln (z.B. einzelne Roboter) und an die richtigen Ansprechpartner weiterleiten kann.  Auf der einen Seite werden die Daten in ein verteiltes Datenspeichersystem und anschließend durch Hadoop HFDS, zur Langzeitspeicherung übertragen. Diese Langzeitdaten werden für die Entwicklung und das Training der Vorhersagemodelle verwendet. Dazu wird eine Kombination aus Spark SQL (Laden historischer Daten), Spark Core (ETL) und integrierten R-Skripten genutzt. Anschließend werden die Modelle innerhalb von Hadoop HFDS gespeichert.  

 

Auf der anderen Seite fragt Apache Spark (Spark Streaming) als starkes Datenverarbeitungstool ständig die Echtzeitdaten jedes Roboters ab und analysiert den Datenstrom basierend auf den erstellten prädiktiven Modellen, die aus Hadoop HFDS geladen werden. Apache Spark kann große Datenmengen verarbeiten und ist auf mehreren Maschinen skalierbar. Die Echtzeitdaten und die Analyseergebnisse werden mit ElasticSearch indiziert, wo die Daten kurzfristig gespeichert werden.

 

 

Kibana/Grafana fragt ab und visualisiert die Informationen in Advanced Dashboards, die den Zustand der Roboter in Echtzeit sowie weitere aggregierte Daten anzeigen.  

Ein überraschender Mehrwert: Die Verbesserung der Produktqualität.

 

In Produktionslinien gibt es viele Arten von Maschinen, die zusammenarbeiten. Oft ist es sehr kompliziert zu erkennen, zu welchem Zeitpunkt welche Fehlfunktion einer einzelnen Maschine einen Qualitätsfehler im Endprodukt verursacht hat.

 

Viele Unternehmen beginnen die Suche der Ursache damit, Kameras mit Computer Vision, d.h. automatischer Bilderkennung einzubauen, um Fehler in Produkten maschinell zu erkennen. Die Kameras zeichnen durchgehend den Fluss der Produkte auf und wenn sie einen Fehler entdecken, speichern sie ihn in einer Datenbank und fixieren den genauen Moment, in dem er aufgetreten ist.

 

Das wiederum erlaubt es den Algorithmen, die Situation aller Sensoren im Moment des Fehlers der Produktqualität zu analysieren, das Verhaltensmuster der Maschinen in der Produktionslinie in diesem Moment zu erkennen und für die Zukunft daraus zu lernen, um weitere Fehler zu vermeiden.

 

 

 

Zusammen mit Predictive Maintenance ermächtigt die visuelle Kontrolle über ein Alarmsystem das Instandhaltungsteam, Abhilfemaßnahmen optimal zu planen und auch bei den zwar deutlich seltener, aber nie ganz vermeidbaren unvorhergesehenen Ausfällen jederzeit gezielt einschreiten zu können. Als „verlängerter Arm“ des Wartungstechnikers wird Predictive Maintenance daher vermutlich schon bald wie selbstverständlich zu diesem Berufsbild gehören.

 

• Über LIS Data Solutions
• Weitere Meldungen
• Diesen Pressetext kommentieren
• Pressemitteilung veraltet?