Wie funktioniert die Digitalisierung in der Instandhaltung als Grundlage für Predictive Maintenance?

Wie im Beitrag „Mit Predictive Maintenance zu neuen Geschäftsmodellen“ beschrieben, können durch eine vorausschauende Wartung ungeplante Stör- oder Ausfälle von Maschinen erheblich reduziert oder sogar verhindert werden.

Predictive Maintenance birgt somit ein großes Einsparpotenzial beim Betrieb und Wartung von Maschinen. Die Voraussetzung für eine vorausschauende Wartung ist jedoch zunächst, dass die entsprechenden Daten zu auftretenden Störungen, Ausfällen und Reparaturen gesammelt werden, um sie analysieren zu können. Je vollständiger die zu Grunde liegende Datenbasis ist, desto genauere Vorhersagen sind möglich.

Keine vorausschauende Instandhaltung ohne solide Datenbasis

Ohne eine umfangreiche und belastbare Datenbasis als Grundlage, ist eine vorausschauende Wartung nicht möglich. Unternehmen, die in Zukunft Predictive Maintenance einsetzen wollen, sollten deshalb frühzeitig damit beginnen, zielgerichtet Daten zu sammeln, beispielsweise durch eine digitale Servicelösung.

Die kontinuierliche Datenerfassung durch die Digitalisierung in der Wartung und Instandhaltung ist die Basis für weitere Maßnahmen. Wenn Daten zu Störungen und Ausfällen von Maschinenteilen digital erfasst werden, können sie als Grundlage für zukünftige Auswertungen dienen. Dadurch kann im Idealfall verhindert werden, dass es zu Stillständen der Maschinen kommt.

Vorbeugung statt Reaktion: Von Breakdown zu Preventive Maintenance

Werden Reparaturen erst durchgeführt, nachdem ein Anlagenteil ausgefallen ist, spricht man von „Reactive“ oder „Breakdown Maintenance“.1  Dann entstehen erhöhte Kosten durch unvorhergesehene Stillstände sowie erhöhte Personalkosten. Denn es wird kurzfristig geschultes Personal benötigt, das die ausgefallene Maschine in möglichst kurzer Zeit wieder zum Laufen bringt. Außerdem müssen die notwendigen Ersatzteile schnell verfügbar sein.

Besser ist es, solche Ausfälle durch regelmäßige Wartungsmaßnahmen zu verhindern. Festgelegte Wartungspläne und ein vorsorglicher Austausch von Komponenten bevor die Ausfallwahrscheinlichkeit auf ein nicht mehr akzeptables Maß ansteigt, nennt man „Preventive Maintenance“.2 Durch die regelmäßigen Instandhaltungsarbeiten kann eine hohe Verfügbarkeit der Anlagen garantiert und die Lebensdauer der Maschinen erhöht werden.

Die dafür notwendigen Wartungsprozesse lassen sich durch Digitalisierung effizienter, schneller und kostengünstiger umsetzen. Außerdem kann dadurch eine Datenbasis geschaffen werden, die in Zukunft als Grundlage für eine vorausschauende Wartung – Predictive Maintenance – dienen kann.

Unsere Kunden setzen auf digitale Servicelösungen für Wartungsprozesse

Aus diesen Gründen hat sich einer unserer Kunden aus der Intralogistik-Branche dafür entschieden, für Wartungsprozesse im Bereich Batterieladetechnik auf eine digitale Servicelösung zu setzen. Ziel ist es, den Wartungsprozess für Batterien effizienter und transparenter zu gestalten und eine Datenbasis für eine Auswertung der Wartungsdaten zu sammeln.

In Zusammenarbeit mit doubleSlash wurde der Wartungsprozess für Batterien digitalisiert. Die Service Techniker benötigen nun keine Papierformulare mehr, sondern können alle Wartungsdaten über eine mobile Anwendung eingeben. Die App unterstützt den Service Techniker bei jedem Wartungsschritt und erlaubt es, Wartungsarten flexibel auszuwählen und auf Störungen zu reagieren. Alle Daten, die bereits vom System ermittelt werden können, müssen nicht mehr eingegeben werden, sondern werden automatisch zur Verfügung gestellt.

Beispielsweise werden die Batterien nur noch eingescannt – das System setzt dann automatisiert die Stammdaten und wählt die benötigte Wartungsart für die jeweilige Batterie aus. Dadurch können sich die Service Techniker auf die kritischen Prozessschritte konzentrieren und diesen mehr Zeit widmen. Das verbessert insgesamt die Prozessqualität.

Um die Service Techniker vor Ort bei ihrer Arbeit optimal unterstützen zu können, wurden sie direkt in die Entwicklung der Anwendung einbezogen. Dadurch konnte der digitalisierte Wartungsprozess so optimiert werden, dass er genau auf ihre Anforderungen zugeschnitten ist.

Nachdem sich die Anwendung im produktiven Einsatz bewährt hatte, wurde der Prozess für die Wartung von Ladegeräten ebenfalls digitalisiert. Mit der erweiterten Anwendung kann der Wartungsprozess nun sowohl für Batterien als auch für Ladegeräte durchgeführt werden.

Fazit: Kontinuierliche Datenerfassung und regelmäßige Analyse als Basis für Predictive Maintenance

Alle Wartungsdaten, die die Service Techniker eingeben, werden gesammelt und zentral gespeichert. Anhand der gesammelten Daten entsteht ein erster Eindruck von Reparaturfällen und Häufigkeiten von bestimmten Störungen. Diese Daten können nun ausgewertet und weiterverarbeitet werden.

Auf Grundlage der gesammelten Daten aus den durchgeführten Wartungsprozessen möchte unser Kunde in Zukunft ein umfangreiches Reporting umsetzen. Zur kontinuierlichen Datenerfassung kommt dann eine regelmäßige Datenanalyse hinzu. Dies ist die Basis für weitere Maßnahmen und ein entscheidender Schritt in Richtung Predictive Maintenance.

Hier mehr über Predictive Maintenance erfahren

 

Diese Blogbeiträge könnten Dich auch interessieren:

Best Practices bei der Umsetzung von Predictive Maintenance – Ein Erfahrungsbericht

Die Zukunft von Predictive Maintenance: On the way to intelligent-prescriptive-predictive maintenance


Quellen:

1 http://www.businessdictionary.com/definition/breakdown-maintenance.html

2 http://www.businessdictionary.com/definition/planned-maintenance.html

Vorbereitung ist alles: Wie die erfolgreiche Einführung eines Remote Service gelingt

 

„Mein PC zeigt eine komische Meldung an. Was muss ich jetzt drücken?“

„Ich bin schon bei der Arbeit – kannst du bitte schauen, ob ich das Bügeleisen ausgeschaltet habe?“

 

Im Alltag gibt es häufig Probleme, die wir remote lösen möchten. Oft funktioniert dies auch – manchmal ist die Problemlösung aber nicht so einfach umsetzbar, da die technischen Voraussetzungen nicht vorhanden sind.

Ähnliche Schwierigkeiten finden wir auch in der Industrie. Taucht beispielsweise an einer Maschine beim Kunden ein Fehler auf und die Maschine läuft nicht mehr, heißt es so schnell wie möglich handeln und das Problem remote identifizieren. Denn der plötzliche Stillstand einer Maschine bedeutet nicht nur wirtschaftliche Verluste, sondern mindert auch die Kundenzufriedenheit. Ehe eine nicht durchdachte Problembeseitigung angesteuert wird, ist eine Vorabanalyse in jedem Fall nötig: Vorbereitung ist alles, um Störungsfälle aus der Ferne effizient zu beheben. Der Lösungsansatz: die Einführung von Remote Services – doch wie vorgehen und was sollte beachtet werden?

Die gängigsten Remote Services

Unzählige UseCases werden im Bereich von Remote Services geboten. Die Favoriten darunter sind Sensorwerte, Remote Desktop, Log-/Konfigurationsdateien und Softwareupdates. Dabei lassen sich Sensorwerte anzeigen, so dass mögliche Fehlerquellen direkt identifiziert bzw. ausgeschlossen werden können. Auf diese Weise können defekte Teile schnell gefunden und so eine Reparatur effizient geplant werden. Um direkt die Oberfläche eines Produktes einsehen zu können und mit dieser zu agieren, ist die Nutzung von Remote Desktop weit verbreitet. Log-/Konfigurationsdateien werden wiederum übertragen, um Fehler zu analysieren und Einstellungen zu ändern. Eine weitere Anwendung ist die Bereitstellung und Auslieferung von Softwareupdates für neuste Sicherheitsupdates oder Features.

Die Bedienung: einfach aber effektiv

Eine Oberfläche zur Einsicht und Nutzung aller Funktionen muss erstellt werden. Die verfügbaren Daten müssen für den Nutzer übersichtlich aufbereitet und dargestellt werden, so dass ein Problem schnell gefunden werden kann. Für eine gute UserExperience ist hier auch ein Augenmerk auf die Endgeräte zu legen mit denen die Oberfläche bedient werden soll (Smartphone, PC, …). Des Weiteren müssen Benachrichtigungen versandt werden, um bei Problemen automatisch Verantwortliche zu informieren bzw. im Idealfall einen bevorstehenden Ausfall vorherzusehen (siehe auch Best Practices bei der Umsetzung von Predictive Maintenance).

Herausforderungen

Nachdem die Rahmenbedingungen festgelegt sind, gilt es zur erfolgreichen Realisierung von Remote Service verschiedene, komplexe Phasen zu durchlaufen:

  1. Connectivity: Das Vernetzen der Geräte ist Grundlage des Remote Service. Die Daten müssen remote abgreifbar sein. Hier gibt es oft auch bereits vorhandene Schnittstellen, da das Produkt bereits mit anderen Produkten kommunizieren muss. An diese kann man anknüpfen.
  2. Condition Monitoring: Automatisches Überwachen des Zustandes der Geräte. Hierbei gilt es die relevanten Datenwerte zu finden, die für einen Ausfall sorgen können.
  3. Alerting: Bei kritischen Zuständen müssen Verantwortliche angemessen alarmiert werden. Hierzu müssen zunächst kritische Zustände definiert und Verantwortliche gefunden werden.
  4. Predictive Maintenance, Prescriptive Maintenance: In diesem Fall wird vorab erkannt, dass ein Produkt ausfallen wird. So kann es proaktiv gewartet und Ausfallzeiten verhindert werden.

 

Des Weiteren müssen Abläufe definiert werden, die in enger Abstimmung mit den Service-Technikern wie auch mit den Kunden erstellt werden. Für ein Softwareupdate muss beispielsweise geklärt sein, wann und von wem dieses eingespielt werden darf. Wird das Produkt gerade eingesetzt, so wäre ein automatisiertes Update nicht gewünscht – evtl. sogar kritisch.

Eine weitere Herausforderung ist die Berücksichtigung des Datenschutzes: Wo werden die Daten z.B. gespeichert (On Premise, Cloud)? Wer kann welche Daten einsehen (Rechte und Rollen)? Müssen Daten zensiert werden (DSGVO)?

Remote Service mit ThingWorx

Mit unserem IoT Partner PTC und der ThingWorx-Plattform, haben wir bereits einige Remote Service Lösungen umgesetzt. Hierbei stellt sich ThingWorx als sehr flexibel heraus und bietet bereits Of-the-box-Lösungen an:

Connectivity: Neben einer Kepware-Integration zur direkten Anbindung von Produkten, die bereits Industriestandard Protokolle wie OPC nutzen, werden unter anderem auch SDKs für verschiedene Programmiersprachen angeboten. Vorhandene Systeme wie Mail, ERP oder Datenbanken können über Standard-Module wie auch einer REST-API angebunden werden. Kundenspezifische Protokolle über Protocol Adapter.

Dashboards: Durch den Mashup Builder können eigene Oberflächen erstellt werden. Auch bietet PTC mit Zusatzmodulen wie die ThingWorx Apps1 eine vorkonfigurierte Oberfläche für IoT Anwendungen. Diese kann nach Bedarf erweitert werden.

Remote Desktop: Neben einer integrierten Tunneling Lösung, die ohne aufwändiges VPN (VirtualPrivateNetwork) eine sichere Verbindung zu Applikationen wie Remote Desktop aufbauen kann, bietet ThingWorx auch eine TeamViewer Integration wie auch weitere Remote Assistance-Lösungen wie Augmented Reality2.

Predictive Maintenance: Mit ThingWorx Analytics3 können Machine Learning Projekte umgesetzt werden, die Ausfälle von Maschinen vorhersagen können sollen.

Fazit

Remote Service kann die Wartung von Geräten stark vereinfachen und dem Kunden sowie der Produktion einen hohen Mehrwert bieten. Damit dies reibungslos funktioniert muss eine Lösung sorgfältig geplant werden. Eine flexible Plattform ist hier von Vorteil, die sich auch für kommende UseCases einsetzen lässt. Hier legt ThingWorx mit den Out-of-the-Box Lösungen eine gute Grundlage bereit, ein Remote Service Projekt zu starten.

Der Bonus: Sind die Produkte erstmal connected, so bieten sich neben Remote Service auch weitere Einsatzzwecke der Daten an: Dashboards für den Kunden, Machine Learning, Auslastung der Produkte um Verbesserungspotentiale zu entdecken und noch viele weitere, auch ungeahnte Möglichkeiten, die man zuvor gar nicht in Betracht gezogen hatte.

Template Business Case herunterladen

 

Das könnte Dich auch interessieren: Praktische Predictive Services Anwendungen aus der Industrie


Links:

1 ThingWorx Apps

2 Industrial Augmented Reality für den Service

3 Predictive Analytics unterstützt durch Machine Learning

Die Zukunft von Predictive Maintenance: On the way to intelligent-prescriptive-predictive maintenance

Einen Überblick zu den Strategien und Best Practices im Kontext von Predicitive Maintenance finden Sie im ersten Teil unserer Blogreihe „Best Practices bei der Umsetzung von Predictive Maintenance – Ein Erfahrungsbericht “. Im nächsten Schritt sollte man sich jetzt auch darüber Gedanken machen, wo genau Künstliche Intelligenz eingesetzt werden kann und welche Machine Learning Methoden hier sinnvoll unterstützen können. Mehr

Best Practices bei der Umsetzung von Predictive Maintenance – Ein Erfahrungsbericht

Predictive Maintenance: Welche intelligenten Wartungsstrategien und Best Practices gibt es? Wir zeigen es Ihnen. Lange Zeit hat sich die Industrie auf die Herstellung und den Absatz von Produkten und Anlagen fokussiert und den Aftersales Markt vernachlässigt. Durch die Vernetzung von Maschinen und die Erfassung von Echtzeitdaten bietet sich die Möglichkeit, die Daten in neuen Zusammenhängen zu betrachten. Damit verbunden sind verschiedene Benefits für das Unternehmen, zum Beispiel eine Optimierung der Produktionsqualität, ein nachhaltiger Betrieb der Maschinen und die Realisierung von Predictive Maintenance. Für den Betreiber heißt das idealerweise geringere Stillstandzeiten der Maschine sowie eine dadurch gesteigerte Produktivität.

Die „intelligente“ Windturbine

Gemeinsam mit unserem Kunden ZF, einem führenden Technologiekonzern in der Antriebs- und Fahrwerktechnik, haben wir das Thema Predictive Maintenance im Bereich Windenergie umgesetzt und wollen unsere Erkenntnisse, Erfahrungen und verschiedene Herausforderungen aus der Praxis mit Ihnen teilen.

 

ZF stellt Getriebe für Windturbinen her, welche nur mit großem Aufwand zu warten sind – z.B. weil diese mitten im Meer stehen. Das Ziel besteht nun darin, die „intelligente“ Windturbine zu entwickeln, um Ausfallzeiten zu minimieren und eine effiziente Wartung zu ermöglichen.

Wartungsstrategien

Im Bereich der intelligenten Maschinenwartung kann zwischen den folgenden Wartungsstrategien unterschieden werden:

  • Reactive Maintenance: Erst bei einem akuten Ausfall wird das Getriebe der Windturbine gewartet.
  • Preventive Maintenance: Durch vordefinierte Wartungsintervalle wird je nach Nutzung ein Ausfall vorgebeugt, d.h. beispielsweise Windkraftwerke in Zonen mit starkem Wind (Ozean) werden monatlich gewartet, jedoch nur jährlich in Zonen mit schwächerem Wind (Wüste).
  • Predictive Maintenance: Maschinen werden ihrem Zustand entsprechend gewartet. Durch die Zustandsdaten an einem Windrad, kann man vorhersagen, wann zum Beispiel das Getriebe ausgetauscht werden muss.
  • Preskriptive Maintenance: Es werden automatische Handlungsentscheidungen getroffen, wie etwa die selbstständige Bestellung eines Ersatzteils für ein Windrad.

 

Best Practices im Predictive Maintenance Projekt

Im Rahmen unserer Predictive Maintenance Projekterfahrung haben sich folgende Handlungsempfehlungen bewährt:

  • Solides Datenmanagement: Die Datenflut muss beherrschbar gemacht werden, d.h. man sollte stets ein möglichst genaues Bild haben, welche Daten ermittelt werden müssen oder auch für welche Zeiträume die Daten gespeichert werden. Essentiell dafür sind echte Daten aus dem Feld.
  • Versionierung und Nachvollziehbarkeit: Durch eine vollständige und nachvollziehbare Dokumentation können Analysen reproduziert oder eventuelle Fehler im Algorithmus behoben werden.
  • Modularität: Um Komponenten der Software zu verändern oder zu erneuern, ohne dass es Auswirkungen auf andere Bereiche hat, sollten sie voneinander abgekapselt sein.
  • Datenintegrität: Es muss sichergestellt werden, dass die Daten auf allen Ebenen, insbesondere im Datenspeicher und bei verarbeitenden Algorithmen, im Wertebereich gleich sind. Es müssen überall die gleichen Regeln für z.B. Rundungen oder die Anzahl der Nachkomma stellen garantiert sein. Damit werden Fehler vermieden.
  • Datenexploration: Ziel ist das Finden neuer Merkmale und Zusammenhänge in den Daten sowie dazu passende Modellierungstechniken. Die Datenplattform soll Vorteile für den Experten haben, der damit entwickelt.

 

Fazit

Entscheidend für eine qualitativ hochwertige Predictive Maintenance Anwendung sind eine robuste Datensammlung und ein modularer Aufbau des Software System.

Das Internet of Things und vor allem die Cloud dienen als Türöffner für AI Anwendungen in der klassischen Industrie. Jedoch birgt das Thema auch besondere Herausforderungen in diesem Umfeld, wenn Ingenieure und Software „aufeinander treffen“. Wesentlich ist, dass echte Daten der Schlüssel für ein erfolgreiches Projekt sind. Wir befinden uns auf einem guten Weg zur „Wartungsstrategie der Zukunft“ – der sich selbst wartenden Maschinen.

Im Teil 2 erfahren Sie, wo genau Methoden der Künstlichen Intelligenz bei der Wartung unterstützen können, bzw. welche Machine Learning Methoden dahinter stecken.

Co-Autor Timo Demler

 


Mehr über Condition-Based Maintenance für Seilbahnen mit ZF ProVID

Mehr zu Predicitve Maintenance erfahren Sie hier

Wie unterscheidet sich Predictive Maintenance von anderen Wartungsmethoden?

Condition-Based Maintenance für Seilbahnen mit ZF ProVID

Ob beim Skifahren, Wandern oder gar als Transportmittel innerhalb einer Großstadt: In all diesen Situationen kommen Seilbahnen zu Einsatz. Häufig befinden sich diese an schwer zugänglichen Orten. Trotzdem müssen diese Anlagen regelmäßig geprüft und gewartet werden. Hin und wieder steht auch der Austausch von Verschleißteilen an. Wäre es da nicht praktisch, wenn Serviceabteilungen bereits aus der Ferne grundlegende Überprüfungen durchführen könnten, ohne jedes Mal vor Ort sein zu müssen?Mehr

Mit Predictive Maintenance bzw. Monitoring raus aus der Stillstandsfalle?

Mit dieser Fragestellung hat sich der 4. Smart Maintenance Experten-Roundtable am 10. Oktober 2018 in Köln beschäftigt. Intensiv diskutiert wurden dabei Themen zu Chancen und Herausforderungen der prädiktiven Instandhaltung sowie welche Plattformthemen für die Wartung auftreten, insbesondere mit Blick auf IoT und Big Data. Denn erst der Einsatz dieser Technologien ermöglicht einen modernen Ansatz in der Wartung, z.B. Predictive Maintenance.Mehr