Suchen

Expertenbeitrag

Wael Elrifai

Wael Elrifai

VP Digital Insights Solution Engineering bei Hitachi Vantara

Kommentar

Fabriken sind auf Informationen angewiesen – nicht auf Intuition

| Autor/ Redakteur: Wael Elrifai / Sebastian Human

Wer jahrelang in derselben Fabrik arbeitet, kennt wahrscheinlich alle Maschinen aus dem Effeff und hat ein Gefühl dafür entwickelt, wann etwas kaputt geht. Leider kostet diese verbreitete Art von Rätselraten Unternehmen heute enorme Mengen an Geld in Form ungeplanter Ausfallzeiten.

Firmen zum Thema

Um das große Ganze betrachten zu können, hilft eine datenbasierte Analyse.
Um das große Ganze betrachten zu können, hilft eine datenbasierte Analyse.
(Bild: gemeinfrei / Pixabay)

Im Rahmen von Vor-Ort-Besuchen begegnet man immer wieder schockierenden Aussagen, wenn es um den Ablauf von Wartungsarbeiten geht. Beispielsweise müssten Änderungen angeblich dann vorgenommen werden, wenn der Kontrollraum zu „zittern” beginnt. Zugegeben, nicht jedes Unternehmen geht so vor, um Wartungsarbeiten zu planen. Aber die dahinter stehende Denkweise ist weiter verbreitet, als man gemeinhin annehmen möchte.

Im Mittelpunkt dieser Denkweise steht ein reaktiver Ansatz für die Wartung und sogar für Daten. Die Schätzung des Ausfalls auf der Grundlage solcher Warnzeichen oder gar der historischen Laufzeit wird den einzelnen Maschinen, aus denen sich eine Produktionsanlage zusammensetzt, nicht gerecht.

Zu viele Firmen beurteilen so eine Vielzahl von Maschinen. Und selbst wenn ein Unternehmen auf Daten zurückgreift, werden dabei oft lediglich Durchschnittswerte auf große Bestände hochgerechnet. Anhand historischer Daten wird die Lebensdauer einer durchschnittlichen Einheit oder Komponente prognostiziert, basierend auf durchschnittlichen Spannungen, durchschnittlichen Eingaben und einer durchschnittlichen Betriebsumgebung. Auf der Grundlage dieser Daten wird dann ein Wartungsplan für den gesamten Gerätepark erstellt. Weil eine Fokussierung auf Einzelkomponenten fehlt, erfolgt der planmäßige Instandhaltungsprozess auf Basis der durchschnittlichen Restnutzungsdauer der analysierten Systeme.

In der realen Welt ist es unwahrscheinlich, dass viele oder gar alle Geräte oder Komponenten in jeder wichtigen Qualität durchschnittlich sind. Hinzu kommt, dass diese analytischen Techniken auf dem basieren, was in der Vergangenheit passiert ist. Das kann ein guter Prädiktor für die Zukunft sein, muss es aber nicht: Umgebungen und Inputs können sich radikal verändern, oft in kurzer Zeit.

Mit modernen IoT- und Machine-Learning-Techniken ist es möglich, diese Einschränkungen zu überwinden und stattdessen mit Echtzeitdaten einzelner Komponenten zu arbeiten und diese Komponenten im Kontext ihrer Umgebung zu verstehen. Werden diese Daten verwendet, um die Zukunft eines Elements vorherzusagen, führt das zu gezielten Wartungsplänen und weniger geplanten und ungeplanten Ausfallzeiten.

Falsche Wartung geht ins Geld

Eine 2017 veröffentlichte Studie von Deloitte ergab, dass Unternehmen durch den Einsatz von Predictive Analytics sowohl Material- als auch die gesamten Instandhaltungskosten um bis zu 10 Prozent senken können. Außerdem wurde die Anlagenverfügbarkeit um bis zu 20 Prozent erhöht und die Planungszeit für die Wartung um fast die Hälfte reduziert.

Was die Kosten für Wartung in erster Linie so in die Höhe treibt ist, dass viele Unternehmen sie falsch angehen. Der Ansatz „wenn der Kontrollraum zittert” ist nur ein Beispiel, wo die Industrie ihre Prozesse verbessern könnte. Es gibt auch Hersteller, die ihre Anlagen wie ein Uhrwerk betreiben und planmäßige Wartungsarbeiten einfach nur deshalb durchführen, weil eine bestimmte Zeit verstrichen ist. Sie wollen auf Nummer sicher gehen, indem sie Wartungsarbeiten durchführen, bevor später ernsthafte Probleme auftreten. Beide Beispiele können ihre jeweiligen Unternehmen Millionen kosten.

Geplante Ausfallzeiten sind aber immer noch Ausfallzeiten und gehen ins Geld. Eine Wartung sollte daher nur dann durchgeführt werden, wenn es Informationen gibt, die das empfehlen. Der effektive Einsatz von IoT kann nicht nur Informationen darüber liefern, wann eine Inspektion durchgeführt, sondern auch, was überprüft oder repariert werden muss. Ein Stahlwerk hatte beispielsweise ein Problem mit den Druckrollen, die den Stahl verarbeiten. Die Arbeiter zogen regelmäßig die relevanten Schrauben und Muttern nach, von denen sie dachten, dass sie die Ursache des Problems seien.

Was sie nicht erkannten, war, dass die Rollen nur ein Symptom waren, das Problem selbst war vorgelagert. Der Stahl wurde mit den falschen Toleranzen produziert und beschädigte dadurch die Elemente der Fabrik, die er durchlief. Weil das vorgelagerte Problem nicht erkannt wurde, konnte es auch nicht als Ursache wahrgenommen werden. Mit den entsprechenden Daten hätte das Problem früher identifiziert werden können, was viel Zeit, Geld und Mühe gespart hätte. Mit den richtigen Daten und unter Einsatz künstlicher Intelligenz lässt sich sogar vorhersagen, wann ein Problem auftreten könnte.

Kleine Anfänge mit großem Nutzen

Viele Unternehmen fühlen sich durch die ganze Berichterstattung über intelligente Fabriken und Industrie 4.0 eingeschüchtert. Infolgedessen verzichten sie darauf, ihre Anlagen vollständig mit Datenanalysen zu ergänzen und bleiben bei ihren gewohnten Methoden.

Ein Rat an Hersteller: Klein anfangen. Zuerst eine Komponente oder Linie in der Anlage finden, die eine kostspielige planmäßige Wartung aufweist, und dann versuchen, einen Business Case zu erstellen, um das Problem zu lösen. Konkret geht es darum, eine Reduzierung ungeplanter Ausfallzeiten um einen bestimmten Prozentsatz beziffern zu können. Der nächste Schritt ist eine Inventur der Basisdaten: Welche Daten stehen im gesamten Unternehmen zur Verfügung: Arbeitsaufträge, Enterprise Resource Management, Enterprise Asset Management oder Manufacturing Execution Systeme. Dabei geht es nur darum, zu ermitteln, welche Daten wo gespeichert sind.

Danach beginnt es, interessant werden – wahrscheinlich wird ab hier aber auch die meiste externe Unterstützung von einem Spezialisten auf diesem Gebiet benötigt. Zwei Fragen wollen beantwortet werden:

  • Lassen sich Ausfälle genau vorhersagen?
  • Und lassen sich die Ursachen zuordnen?

Wer diese Fragen beantworten kann, ist auf dem besten Weg, die Abläufe in seinem Unternehmen zu verbessern.

Ausgangspunkt sollte eine Komponente oder Linie, ein kleines Pilotprojekt sein, das bei Bedarf skaliert werden kann, wenn mehr Probleme zur Lösung anstehen. Es geht nicht um die Konzeption eines umfassenden Produktionssystems, das mit einem millionenschweren

Änderungsprogramm in der gesamten Organisation eingesetzt wird. Es geht lediglich darum, ein Problem zu lösen. Erst wenn sich im Verlauf weitere Probleme herauskristallisieren, sollte über längerfristige Pläne nachgedacht werden.

Die Optimierung der Optimierung mit Predictive Analytics

Predictive Analytics basierend auf KI und dem IoT ermöglicht es, eine Vielzahl von Variablen zu sammeln, zu verstehen, wie diese Variablen miteinander interagieren, um die Geräteleistung zu bestimmen, und die Systemleistung in Echtzeit zu überwachen.

Damit wird es möglich, über das Verständnis der durchschnittlichen Geräteleistung und Langlebigkeit auf Bestandsebene in der Vergangenheit hinauszugehen und Modelle für die zukünftige Gerätezuverlässigkeit zu entwickeln, die bis auf die Ebene einzelner Maschinen exakt sind.

Mit diesen Informationen können Unternehmen geplante Ausfallzeiten im Zusammenhang mit unnötiger Wartung vermeiden und gleichzeitig Probleme vorhersagen und verhindern, die zu ungeplanten Ausfallzeiten führen. Das Ergebnis sind niedrigere Kosten, eine höhere Zuverlässigkeit und höherer Gewinn. Und das ganz ohne Rätselraten oder Bauchgefühl.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45928754)

Über den Autor

Wael Elrifai

Wael Elrifai

VP Digital Insights Solution Engineering bei Hitachi Vantara