Digital Factory: Predictive Analytics und Maintenance in der Praxis

Zuverlässiger Blick in die Glaskugel: Predictive Analytics

Um Vorhersagen über unbekannte zukünftige Ereignisse treffen zu können, wird daher Predictive Analytics benötigt – eine Disziplin aus dem Bereich Business Analytics & Information Management. Unternehmen nutzen Techniken und Modellierungen aus den Bereichen Data Mining, Statistik, Maschinelles Lernen (ML) und Künstlicher Intelligenz, um aktuelle Daten zu analysieren und fallbezogene Vorhersagen und Prognosen zu erhalten. Datenexperten können die in historischen Daten und Transaktionsdaten enthaltenen Muster verwenden, um Risiken und Chancen für die Zukunft zu identifizieren.

Das Ziel aller analytischen Vorhersagen: Unternehmen können ihre Prozesse nachhaltig anpassen und optimieren – basierend auf harten Zahlen und Fakten. Das ist besonders interessant für die Fertigungsindustrie, denn hier gibt es einen ständigen Verbesserungsdruck und die Notwendigkeit, an der Effizienzschraube zu drehen.

Predictive Maintenance im Shopfloor

Massive Einsparungen im operativen Betrieb erreichen Unternehmen beispielsweise durch eine Verbesserung und Optimierung der Anlagenverfügbarkeit. Dazu zählen die Minimierung der Wartungskosten, die Vermeidung ungeplanter Stillstände und die Reduktion des Anlagenkapitals durch eine verlängerte Nutzungsdauer der Anlagen. Ein besonders wichtiger Hebel ist hierbei die Fähigkeit zur vorausschauenden Wartung.

In Instandhaltung und Service versuchen deshalb viele Unternehmen, von einer reinen reaktiven Instandhaltung auf eine vorausschauende Wartung zu wechseln. Für Predictive Maintenance-Funktionen fließen permanent operative Daten in die Auswertung, um neue und wertvolle Erkenntnisse über den Zustand der Maschinen und Anlagen zu erhalten.

Bei der Umsetzung aber haben Unternehmen ganz unterschiedliche Reifegrade:

1. Reactive: Wartung/Instandsetzung nach Ausfall einer Maschine oder Anlage
2. Preventive: Instandhaltung von kritischen Anlagen nach festen Intervallen oder basierend auf Beobachtungen
3. Condition-based: Kontinuierliche Überwachung des Anlagenstatus. Triggern von Maßnahmen durch definierte Schwellwerte
4. Predictive: Nutzung von statistischen Methoden auf operativen und geschäftlichen Daten zur Erkennung von Fehlermustern. Mit diesen Mustern lassen sich Maschinen und Anlage überwachen

Auf der Stufe „Predictive“ kommen moderne IT-gestützte Analytics-Lösungen zum Einsatz – und bieten dabei zahlreiche Möglichkeiten:

• Nutzung vorkonfigurierter ML-Algorithmen für technische Anlagen
• Zustandsdarstellung von Anlagen und Maschinen mit Drill-Down-Optionen auf Komponentenebene
• Integrationsszenarien in die Instandhaltungs- und Serviceprozesse
• Bereitstellung von „Derived Signals“ für die Darstellung von KPIs, Health Scores und Alerts
• Kartenansichten mit 2D- und 3D-Charts
• Erweiterungen bestehender Lösungen und Best Practices um kundenindividuelle Algorithmen und Benutzeroberflächen mit Hilfe von Software Development Kits (SDKs)

Praxisbeispiel: Kühltürme smart steuern und instandhalten

Ein Beispiel aus der Praxis: In einem Projekt des Industriedienstleisters Xervon Instandhaltung GmbH implementierte NTT DATA Business Solutions Wartungs- und Instandhaltungsmechanismen auf unterschiedlichen Niveaus und mit Hilfe von SAP-Technologien. Ziel war eine effizientere Instandhaltung von Wasserkühltürmen für Kunden aus der Prozessindustrie.

Die Anlagen bestehen aus einem verzweigten Rohrleitungsnetz und einer Vielzahl von Pumpen. Neben internen Kennzahlen (Leistung der Wasserpumpen, Temperatur des Pumpenmotors) haben auch externe Faktoren wie Außentemperatur und Luftfeuchtigkeit einen direkten Einfluss auf die Temperatur des Kühlwassers und damit auf den Betrieb der Anlagen. Der Betrieb der Kühltürme ist also bereits eine komplexe Angelegenheit. Xervon übernimmt jedoch zusätzlich noch Wartung und Instandhaltung der Anlagen – mit rein analogen Mitteln wäre das eine sehr zeit- und kostenintensive Aufgabe.

Stattdessen erfassen eine Vielzahl von Sensoren in den Kühlanlagen kontinuierlich Daten zu diversen Betriebsparametern. Bevor diese sehr umfangreichen Daten weiterverwendet werden können, müssen sie zunächst so strukturiert und bereinigt werden, dass Redundanzen, Inkonsistenzen und Anomalien beseitigt sind. Dieser Vorgang erfolgt durch eine Vorverarbeitungssoftware, die die bereinigten Daten im Anschluss an eine Cloud weitersendet. Dort stehen sie dann selbstlernenden Algorithmen zum Training zur Verfügung. Nach Abschluss der Trainingsphase sind die Algorithmen dann eigenständig dazu in der Lage, aus den Anlagendaten Schlussfolgerungen zu ziehen. Möglich sind detaillierte Aussagen über den aktuellen Ist-Zustand der Anlage und auch Hinweise auf Verschleißerscheinungen und den Wartungsbedarf.

Sobald sich beispielsweise Störungen der Kühlanlagen anbahnen, registriert die Software dies als Abweichung vom gewünschten Betriebszustand und informiert das Anlagenpersonal. Noch bevor es also zu Ausfallzeiten der Anlagen kommt, werden diese proaktiv gewartet. Das bedeutet auch, dass die Wartung somit sehr viel bedarfsgerechter erfolgt. Denn: Durch Predictive Maintenance können die Servicemitarbeiter die Verschleißteile austauschen, bevor es zu einem potenziellen Stillstand kommt. Die Lebensdauer der Anlagenteile wird so maximiert – im Vergleich zur rein vorbeugenden Wartung.

– von Georg Aholt, Head of Center Excellence Business Analytics & Information Management, NTT DATA Business Solutions AG –
E-Mail: [email protected]

Digital Factory: NTT DATA Business Solutions als führender Anbieter ausgezeichnet