Predictive Maintenance: Voraussetzungen, Schritte, Chancen

Die Grundlage dieser Informationssysteme sind Modelle und Algorithmen zur Detektion von Systemfehlern, zur Bestimmung der Ursachen der Systemfehler und schließlich zur Vorhersage von Systemausfällen. Der nächste Schritt geht in Richtung Prescriptive Analytics und beschreibt, welche Maßnahmen z.B. bei Störungen erforderlich sind.
 

Nicht immer sinnvoll

Predictive Maintenance ist ein Überbegriff für Fehlerdetektion, Fehlerdiagnose und Fehlerprognose, wobei hierzu eine Vielzahl von Anwendungsfällen zählt. Viele Unternehmen sind aktuell mit dem Thema überfordert, weil es eine Unmenge an Methodenbausteinen gibt, die alle unter den Stichworten KI und/oder Predictive Maintenance geführt werden. Tatsächliche Predictive Maintenance im Sinne von Vorhersage leisten nur die wenigsten. Oftmals ist es auch gar nicht sinnvoll, weil es keinen konkreten Anwendungsfall gibt.
 

Henne-Ei-Problem

Einerseits setzt man Predictive Maintenance zur Überwachung von kritischen Anlagen und zur frühzeitigen Detektion von Fehlern wie Stillständen ein. Da die Anlagen aber für die Produktion kritisch sind, werden die Instandhaltungen präventiv nach Wartungsplan durchgeführt. Dadurch fehlt die Datenbasis für die Vorhersage von künftigen Fehlern. Auf der anderen Seite können Predictive Maintenance-Anwendungen Geräte wie Bankomaten oder Drucker überwachen, wo die Datenbasis aufgrund vieler vergleichbarer Objekte umfassender ist.
 

Grundvoraussetzungen

Um Predictive Maintenance überhaupt anwenden zu können, sind viele Schritte Gastbeitrag von Dr. Bernhard Freudenthaler, Area Manager des Forschungsbereichs „Data Science“ am Software Competence Center Hagenberg nötig. Der erste ist die Identifikation der im Unternehmen vorhandenen und verfügbaren Datenquellen. Im zweiten Schritt muss die Qualität der Daten geprüft und beurteilt werden, ob sie für Analysezwecke überhaupt in Frage kommen. Daraus können dann mögliche Anwendungsfälle im Umfeld von Predictive Maintenance identifiziert werden, die aufgrund der vorhandenen Datenlage überhaupt möglich und vor allem sinnvoll sind.
 

Anwendungsbeispiel Spritzguss

Einige der Projektbeispiele aus der anwendungsorientierten Forschung am Software Competence Center Hagenberg betreffen die Überwachung des Spritzgussprozesses und die frühzeitige Detektion instabiler Zustände bei einer Vielzahl von Spritzgussanlagen. Das Spritzgussverfahren ist zwar komplex, hat aber eine Reihe von Vorteilen, wie z.B. eine hohe Wiederholbarkeit des Prozesses, schnelles Prototyping oder die Automatisierung des gesamten Prozesses.
 

Datengetriebener Ansatz

Während des Prozesses gibt es jedoch viele Situationen, die zu einem schlechten Zustand einer Maschine führen und in Produktionsausschuss enden können. Der entwickelte datengetriebene Ansatz erkennt kritische Situationen automatisch. Die Maschinen liefern Statuswerte an ein Maschinendatenerfassungssystem, die kontinuierlich analysiert werden. Der datengetriebene Ansatz findet bekannte Fehlermuster in den Maschinendaten. Auf Basis dieser Informationen versucht unser Softwaretool, wiederkehrende Fehlermuster zu lernen. Dabei verwenden wir verschiedenste Analysemöglichkeiten wie Stream Data Processing, klassische Algorithmen des maschinellen Lernens u.v.m.

Die in diesem Beitrag präsentierten Ergebnisse resultieren aus dem FFG-Projekt „AutoDetect“ (Projekt-Nr. 862019) und aus Forschungsarbeiten, die vom BMVIT, BMDW und dem Land OÖ im Rahmen des COMET-Kompetenzzentrums SCCH gefördert wurden.Die Inhalte stammen aus dem Jahrbuch der Instandhaltungstage 2020:
B. Freudenthaler. Predictive Maintenance – Grundvoraussetzungen, Schritte und Möglichkeiten aus Data Analytics Sicht. A. Dankl, J. Isopp (Hrsg.): Jahrbuch Instandhaltungstage 2020, pages 131-134, April, 2020.