Die Digitalisierung schreitet unaufhörlich voran und bringt neue Technologien und Möglichkeiten zu Tage, welche gerade im industriellen Umfeld sinnvoll eingesetzt werden können. Der Begriff Industrie 4.0 selbst ist dabei vielseitig geprägt, wird allerdings oft belächelt. Doch als eine wesentliche – und vor allem sinnvolle – Kernkomponente entwickelt sich derzeit das Predictive Maintenance (zu Deutsch: prädiktiven Instandhaltung bzw. vorausschauende Wartung).
Gemeinsam mit der Hochschule Offenburg beteiligen wir uns intensiv an einem 3-jährigen Forschungsprojekt der Carl-Zeiss-Stiftung mit dem Thema Predictive Maintenance. Weitere Informationen zum Projekt finden Sie hier.
Was verbirgt sich hinter Predictive Maintenance?
Unter Predictive Maintenance versteht man einen vorausschauenden Ansatz zur Wartung und Instandhaltung von Maschinen und Anlagen, um Ausfallzeiten möglichst gering zu halten. Dabei greift das Verfahren auf Daten von Sensoren zurück, speichert diese und zieht sie zur Analyse bis hin zur Ableitung von Wartungsempfehlungen heran.
Die Grundidee dahinter ist, Vorhersagen über mögliche Ausfälle von Bauteilen zu machen, um diese zur rechten Zeit zu warten oder auszutauschen, bevor es zu ungeplanten Stillständen einer Maschine kommt. Das Ziel ist es, unnötige oder zu späte Wartungsarbeiten zu eliminieren und somit immer genau zur richtigen Zeit eine Wartung durchzuführen.
Die gesammelten Daten werden idealerweise im Rahmen eines IoT-Netzwerkes in einem Data-Warehouse gesammelt und ausgewertet. Die Künstliche Intelligenz (KI) lernt durch die gesammelten Daten Muster von Anomalien kennen, in dem Sie die Sensordaten auswertet und analysiert. Unter Anomalien versteht man Zustände, welche nicht der Norm entsprechen – beispielsweise sind hier eine erhöhte Temperatur oder Vibrationen denkbar. Predictive Maintenance lässt sich somit in vier Phasen unterteilen:
Phase 1: Sammeln von Daten
Phase 2: Speichern der Daten
Phase 3: Analyse / Auswerten der Daten
Phase 4: Planung der nächsten Wartung / Instandhaltung
Predictive Maintenance mit SIVAS.ERP: Die Vision
SIVAS.ERP kann durch die vielfältigen Schnittstellen sämtliche Daten Ihrer Maschinen und Anlagen verwalten. Das bedeutet, Sie können sowohl Ihre eigenen Maschinen als auch die Ihrer Kunden im Blick halten.
Damit Predictive Maintenance funktioniert, muss der Algorithmus wissen, was eine wirkliche Anomalie – also Fehler – ist und was nicht. Damit die KI ein entsprechendes Wissen aufbauen kann, bedarf es viel mehr als nur Sensordaten. Für einen geeigneten Algorithmus werden also die Sensordaten mit Informationen aus dem ERP angereichert. Gerade die geplanten Serviceeinsätze und Ticketmeldungen aus dem Ticketing-System sind hier elementar.
So ist eine ausgeschaltete Maschine nicht gleich ein Fehler: Eventuell liegt ein planmäßiger Servicefall vor, der das Abschalten einer Maschine erfordert. Das gleiche gilt für mögliche Fehlbedienungen: Schaltet Ihr Kunde die Maschine aufgrund eines Fehlers ab, bedeutetet dies nicht gleich, dass ein Teil defekt ist.
Dank der vorhandenen Daten in SIVAS.ERP lässt sich dies in Verbindung bringen. Die KI stellt einen Ausfall fest und prüft im Folgenden, ob es einen konkreten Grund dafür gab: Sind in SIVAS.ERP Serviceeinsätze für diese Maschine geplant oder liegen Ticketmeldungen des Kunden vor? Wenn ja, wird überprüft, ob es einem bestimmten bzw. nachvollziehbaren Grund dafür gibt. Zusätzlich fließen Informationen aus dem Vertrieb (wann wurde die Maschine verkauft…) in den Algorithmus ein.
Lässt sich auf den „ersten Blick“ kein Grund für die Anomalie erkennen, geht die KI von einem ungeplanten Ausfall aus. Mit Hilfe dieser Informationen verbessert die KI ihren Algorithmus und kann nach einer gewissen Zeit konkrete Szenarien vorhersagen.
Es werden demnach nicht nur Fehlermeldungen antizipiert, sondern auch weitere, aus dem ERP-System hervorgehende Informationen, die zu Wissen und entsprechenden Handlungsempfehlungen führen. Neben den bestellten Ersatzteilen kann dies beispielsweise auch die voraussichtliche Dauer des Serviceeinsatzes sein. Häufig besteht auch die Möglichkeit, dies über ein in einer Datenbank hinterlegtes Informationsobjekt zu lösen, in dem entsprechende Daten zur üblichen Dauer eines Einsatzes für das jeweilige Problem an einer Maschine festgehalten sind.
Die daraus resultierenden Vorteile sprechen für sich: Geringer Wartungsaufwand, Ausfallzeiten auf ein Minimum reduziert, Kostenersparnis, erhöhte Kapazitäten und dadurch steigende Gewinne. Und das tolle: Alle notwendigen Informationen sind bereits in SIVAS.ERP vorhanden – Sie benötigen keine zusätzlichen Systeme oder Datenbanken.
Master-Thesis Florian Biegert
SIVAS.ERP bietet eine gute Grundlage für einen erfolgreichen Einsatz von Predictive Maintenance – das wurde durch unseren Masteranden Florian Biegert bewiesen. Er hat sich im Rahmen des Forschungsprojektes mit der Thematik in Kombination von SIVAS.ERP auseinandergesetzt und erste Prototypen entwickelt. Derzeit steht Predictive Maintenance noch am Anfang, allerdings versprechen die Ergebnisse der Master-Thesis ein großes Potential. Im Rahmen des Forschungsprojektes werden wir, gemeinsam mit der Hochschule Offenburg, dieses Thema weiter intensiv verfolgen.
Sie wünschen mehr Infos zu diesem Thema? Melden Sie sich bitte bei uns.
