Industrial Internet of Things

Predictive Maintenance: Glaskugel für die Fabrik

Maschinenausfälle erkennen, bevor sie passieren – das ist eines der Versprechen der digitalisierten ­Produktion. Maschinenbauer arbeiten mithilfe von ­Analyse-Software und Machine Learning daran, die Vision wahr werden zu lassen.

Blick in die Glaskugel

Dank der Digitalisierung in der Fabrik sollen sich Maschinen quasi vorausschauend warten lassen.

Was ist der Nutzen von Industrie 4.0? Wann immer nach konkreten Anwendungen gefragt wird, um das eher abstrakte Konzept auf den Boden der Tatsachen herunterzuholen, fällt das Schlagwort Predictive Maintenance. Dank der Digitalisierung in der Fabrik sollen sich Maschinen quasi vorausschauend warten lassen. Fehler werden erkennt, bevor sie entstehen. Dies versprechen Anbieter, die ­Lösungen im Bereich Industrie 4.0 bzw. Industrial Internet of Things entwickeln. Und es gibt konkrete Beispiele, die zeigen, dass ein frühzeitiges Erkennen von Maschinenausfällen möglich ist. So sammelt beispielsweise das Unternehmen Zeppelin die Daten seiner Maschinen und Anlagen, die beim Kunden stehen, um den Wartungsbedarf zu prognostizieren. Die Firma bietet u. a. Lösungen in den Bereichen Bau- und Bergmaschinen, Landmaschinen, Baulogistik, Antrieb und Energie, Engineering und Anlagenbau an und ist Partner des Maschinenbauers Caterpillar.

Eine erste Anwendung ist die Überwachung der Zündkerzen von Blockheizkraftwerken. Jede Minute werden Werte wie Zündspannung und Abgastemperatur pro Zylinder gemessen. Das Ergebnis: „Wir können in 70 Prozent der Fälle den Ausfall einer Zündkerze im Voraus erkennen“, sagt Andreas Zientek, Systems Engineer bei Zeppelin. „Wir schicken den Techniker zum Kunden, bevor dieser überhaupt weiß, dass er ein Problem hat.“ Um das zu veranschaulichen, erzählt er gerne ein Beispiel. In diesem erkannte ein Zeppelin-Techniker eine Anomalie bei einem Gasmotor. Daraufhin fuhr er zu dem Unternehmen, bei dem der Motor im Einsatz war. Nur ein paar Minuten, nachdem er dort ankam, fiel der Motor tatsächlich aus. Und der Techniker hatte schon die passende Zündkerze parat. „Unser Kunde war begeistert“, berichtet Zientek.

Zeppelin verwendet dafür Analyse-Software des Anbieters Splunk. Der hatte ursprünglich mit industriellen Umgebungen wenig zu tun. Die Software wurde entwickelt, um Log-Dateien und Metriken von IT-Geräten wie etwa Servern und Netzwerkkomponenten zu erfassen und auszuwerten. Auch bei Zeppelin war die Technologie zunächst nur in der IT im Einsatz. So wird Splunk beispielsweise für das Monitoring der gesamten SAP-Landschaft genutzt. „Aktuell erfassen wir die Daten von 660 Geräten – das sind 100 GB pro Tag“, berichtet Zientek. Die Verantwortlichen bei Zeppelin erkannten, dass sich die Software aber grundsätzlich für alle Arten von Daten nutzen lässt. „Aus meiner Sicht gibt es keinen großen Unterschied zwischen einem Server, der bestimmte Metriken sendet, und einem Motor, der auch eine Log-Datei schreibt“, erklärt Zientek. Daher ließe sich für die Analyse der Daten auch die gleiche Technologie nutzen. So begann Zeppelin damit, Splunk auch für Anwendungen im Industrie-4.0-Bereich einzusetzen.

Die Disposition besser koordinieren


Der Nutzen, den Predictive Maintenance für Zeppelin bringt, lässt sich laut René Ahlgrim an drei Punkten festmachen. „Zum Ersten verfügen unsere Techniker über bessere Informationen“, sagt Ahlgrim, der bei Zeppelin als Data Scientist tätig ist. Dadurch seien sie besser vorbereitet, wenn sie beim Kunden eintreffen, und könnten sich etwa zusätzliche Fahrten sparen, um Ersatzteile zu besorgen. „Der zweite Punkt ist: Wir können unsere Disposition besser koordinieren. Denn in unseren Anlagen sind oft mehrere Motoren im Einsatz. Und wenn wir Auffälligkeiten schon im Voraus erkennen, kann sich ein Techniker nicht nur mit einem Motor beschäftigen, sondern auch einen weiteren unter die Lupe nehmen, der möglicherweise demnächst ein Problem bekommt.“ So ließe sich der Kundenservice effizienter einsetzen. Ein dritter Nutzenaspekt sei die Verfügbarkeit. „Wir können dank der ständigen Analyse der Daten die Verfügbarkeit unserer Maschinen erhöhen. Und das ist das, was unsere Kunden vor allem interessiert.“ Ahlgrim zufolge konnten die Ausfälle pro Anlage dank der IoT-Anwendung zirka um die Hälfte reduziert werden.

Um die Anomalien in den Sensormeldungen aus den Blockheizkraftwerken zu erkennen, nutzt das Unternehmen Algorithmen, die mit einem Machine-Learning-Toolkit von Splunk erstellt wurden. Das Toolkit ist Bestandteil eines Angebots, das der Datenanalysespezialist explizit für das Internet der Dinge entwickelt hat. Mit der Lösung Industrial IoT erhalten Unternehmen aus den Branchen Fertigung, Transport sowie Energie und Versorgung laut Anbieter die Möglichkeit, Industrieanwendungen, -daten und -anlagen leicht zu überwachen, zu optimieren und zu sichern. Die Lösung verarbeitet Daten aus indu-striellen Steuerungseinheiten, Sensoren sowie Scada-Systemen.

Zepplin versucht auch mithilfe von Machine Learning, die Vorhersagen stetig weiter zu verbessern. „Wir können im Moment noch nicht exakt – quasi auf die Minute genau – sagen, wie lange ein Teil noch funktionstüchtig ist. Daran arbeiten wir aber“, sagt Ahlgrim. Der Zeitraum zwischen dem Erkennen einer Anomalie und dem Ausfall einer Komponente variiere sehr stark, ergänzt Zientek. „Manchmal erkennen wir das erst ­eine Stunde, manchmal schon Tage vorher.“ Grundsätzlich seien die Muster, die identifiziert werden, sehr verschieden. Schließlich kann ein Problem unterschiedliche Ursachen haben. „Aber selbst wenn wir ­einen Austausch erst eine Stunde vorher erkennen, stellt das immer noch einen Vorteil dar, weil wir den Kunden warnen können und er sich nicht bei uns melden muss“, so Zientek.

Das Internet der Dinge im Visier


Den Service für seine Kunden wollte auch der Druckmaschinenhersteller König & Bauer verbessern. Er sammelt ebenfalls Daten seiner installierten Produkte und wertet diese aus, um Ausfälle zu prognostizieren. 20.000 bis 30.000 Sensormeldungen pro Maschine träfen täglich bei König & Bauer ein, berichtet Thomas Göcke, Head of Marketing und CRM. Das Sammeln dieser Daten ist nichts Neues für das Unternehmen. „Wir betreiben seit über 20 Jahren die Fernwartung unserer Maschinen“, so Göcke. Nun werden die Daten eben auch hinsichtlich Predictive Maintenance analysiert. Dazu nutzt man ebenfalls die Dienste eines Software-Anbieters, der ursprünglich nicht aus dem IoT-Sektor kommt. Der Druckmaschinenhersteller arbeitet mit Software des CRM-Spezialisten Salesforce, der seine Lösungen ausschließlich in der Cloud bereitstellt. Salesforce weitet seinen Funktionsumfang kontinuierlich aus und nimmt seit einigen Jahren auch das Internet der Dinge ins Visier. „Die Verknüpfung aller möglichen Arten von Daten ist der große Vorteil dieser Plattform“, sagt Göcke. In einem App-Store stellen Partner Anwendungen zu Verfügung, die auf bestimmte Szenarien zugeschnitten sind. Zu diesen zählt auch Empolis, dessen Technologie König & Bauer für seine Predictive Services nutzt. Dabei kommt ebenfalls Machine Learning zum Einsatz.

Die Beispiele für Predictive Maintenance bei dem Anwenderunternehmen reichten von ganz einfachen bis zu komplexen Szenarien, berichtet Göcke. Zu den einfachen zählt die Prognose, wann die Batterie einer Maschinen-SPS ausfällt. „Wir können erkennen, wann sich die Batterie ihrem Ende zuneigt, und den Kunden informieren“, so Göcke. Andere Beispiele sind das Überwachen einer Hydraulikpumpe, um Leckage und Verschleiß zu erkennen, oder die Analyse von Plattenwechselzeiten, die auf den Ausfall einer Baugruppe schließen lassen. Das Entscheidende ist laut Göcke, dass Ausfallzeiten – etwa um eine Batterie zu wechseln – geplant stattfinden und nicht ungeplant. Denn Letzteres bedeutet, dass die Produktion eventuell dann stillsteht, wenn der Zeitpunkt am ungünstigsten ist. „Die Maschine ist das teuerste Produktionsmittel, das der Kunde hat. Und das muss laufen.“

Um Predictive Services bieten zu können, müssen die Kunden zunächst einwilligen, dass König & Bauer auf die Maschinendaten zugreifen darf. Das habe in den Unternehmen früher durchaus für Bedenken gesorgt, so Göcke. Doch mittlerweile habe sich das komplett geändert. „Die Kunden verstehen, dass es ein riesiger Nutzen für sie ist, wenn wir die Daten von ihnen bekommen“, sagt Göcke. „Und wir haben auch nur Zugriff auf die Leistungsdaten. Andere Informationen wie etwa Auftragsdaten können und wollen wir auch gar nicht einsehen.“

Dies ist ein Artikel aus unserer Print-Ausgabe 3/2019. Bestellen Sie ein kostenfreies Probe-Abo.

Neben Datenschutz und Datensicherheit gibt es einen weiteren grundsätzlichen Knackpunkt beim Thema Predictive Maintenance. Und das ist die Heterogenität. Maschinendaten sind unstrukturiert und liegen oft in unterschiedlichen Formaten vor. Wer Zusammenhänge zwischen Sensormeldungen und Ausfällen erkennen möchte, muss hier zunächst für Übersicht sorgen. Und das ist mit Aufwand verbunden. „Man verbringt in solchen Projekten bis zu 85 Prozent der Zeit damit, die Daten verfügbar zu machen und in das richtige Format zu bringen“, erklärt Zientek von Zeppelin. Bevor man vorausschauend warten kann, muss man in der Fabrik 4.0 also zunächst einmal aufräumen.

KI im Service-Management

Mit Predictive Maintenance beschäftigt sich auch die „Smart Factory-KL“ des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI). Hierfür wurde ein Anwendungsszenario entwickelt, das auf der Hannover Messe vom 1. bis 5. April 2019 gezeigt wird: An einem Produktionsmodul wird dazu im laufenden Betrieb zu Demonstrationszwecken eine Fehlfunktion in Form eines Schleifgeräuschs erzeugt. Die Geräuschumgebung innerhalb der Produktionsmodule kann akustisch aufgezeichnet und durch Künstliche-Intelligenz-Algorithmen ausgewertet werden. Mithilfe des Algorithmus wird das Geräusch gehört und somit die Anomalie erkannt. Über das ERP-System kann dann ein Wartungsauftrag generiert werden, in dem bereits angezeigt wird, wo sich der Fehler befindet. Diese Information wird dem Servicetechniker auf einem Tablet, Smartphone oder in einer Datenbrille angezeigt. So kann die Wartung der Anlage schnell umgesetzt werden, bevor Ausschussmengen produziert werden oder gravierende technische Defekte an der Anlage entstanden sind. Mithilfe von Augmented Reality kann der Mitarbeiter außerdem am Ort des Geschehens durch den Wartungsprozess geführt werden. In einer Datenbrille werden dem Werker Informationen und Arbeitsanweisungen in die Brille projiziert, sodass er gleichzeitig beide Hände für die Ausführung der Arbeitsschritte frei hat.


Bildquelle: Thinkstock/iStock

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok