Suchen

Kommentar von Dr.-Ing. Falko Guderian, T-Systems MMS Predictive Maintenance wird erwachsen

Autor / Redakteur: Dr.-Ing. Falko Guderian / Nico Litzel

Mit IoT können Unternehmen die Steuerungs- und Prozessdaten ihrer Produktionsanlagen immer kostengünstiger und flexibler in der Cloud speichern. Der Artikel betrachtet einen wichtigen und repräsentativen Anwendungsfall mit diesen Produktionsdaten, die Störungsfrüherkennung und Störungsvermeidung.

Firmen zum Thema

Der Autor: Dr.-Ing. Falko Guderian ist QA & Big Data Spezialist bei T-Systems Multimedia Solutions
Der Autor: Dr.-Ing. Falko Guderian ist QA & Big Data Spezialist bei T-Systems Multimedia Solutions
(Bild: T-Systems MMS)

Die Produktionsprozesse in Pharmabetrieben sind weit gehend automatisiert und reagieren daher sensibel auf ungeplante Wartungsintervalle, wie z. B. beim Bruch eines Verschleißteiles. Auf solch einen Produktionsausfall bzw. operativen Stillstand entfallen der überwiegende Teil der Wartungskosten. Daneben können auch Qualitätsmängel durch eine Störung in der Funktion der Anlagentechnik entstehen. Durch eine wirksame Vorhersage und Planung der Wartungsintervalle, auch unter dem Namen Predictive Maintenance bekannt, wird es möglich, die Produktionsauslastung zu verbessern und wichtige Produktivitätsgewinne zu erzielen.

Dazu muss zuerst das Verhalten des Produktionsprozesses und der Anlagentechnik analysiert werden. In den pharmazeutischen Produktionsstätten kommen verschiedene Anlagen unter anderem zur Mischung, Tablettierung und Verpackung zum Einsatz. Des Weiteren steuern Prozessleitsysteme den Produktionsprozess. Die Schwierigkeit einer guten Vorhersage besteht darin, dass die fachlichen Zusammenhänge zwischen den Einflussgrößen und den abhängigen Größen beliebig komplex sein können. Die nachfolgende Abbildung zeigt drei beispielhafte Einflussgrößen, die einen erfolgreichen Prozessschritt – also einen negativen Störungsfall – kategorisieren.

Drei Einflussgrößen in Blau, Rot, Grün im negativen Störungsfall
Drei Einflussgrößen in Blau, Rot, Grün im negativen Störungsfall
(Bild: T-Systems MMS)

Die in der Abbildung gezeigte Berücksichtigung von nur drei Einflussgrößen lässt erkennen, dass eine genaue fachliche Modellierung der Abhängigkeit zum Zweck der Vorhersage aufwendig und nur begrenzt erfolgversprechend ist. Eine bessere Möglichkeit ist erfahrungsgemäß die Ableitung des zukünftigen Systemverhaltens aus einer statistischen Analyse der Zusammenhänge in der Vergangenheit.

Steuerungs- und Prozessdaten aufzeichnen

Umfangreiche Datenbasen für den Zusammenhang von messbaren Einflussgrößen und vorherzusagenden Größen sind dafür notwendig. Das Vorhersageverfahren wird daraufhin mit diesen Daten trainiert. Daher ist es erforderlich, dass das Produktionsunternehmen die für die Anlagen relevanten Steuerungs- und Prozessdaten aufzeichnet und historisiert. Eigene Big-Data-Systeme für die Ablage der weit gehend unstrukturierten Daten sind in immer mehr Unternehmen der Standard.

Je weiter der Planungshorizont für die Wartungsintervalle in die Zukunft reicht, desto besser können die Wartungen in die Produktionsplanung integriert werden und desto weniger operativer Stillstand entsteht. Abhängig von der Störungsdichte, also der Häufigkeit auftretender Störungen, ergeben sich unterschiedliche Zeithorizonte für die Wartungsvorhersage. Die untere Tabelle verdeutlicht diesen Zusammenhang (zum Vergrößern anklicken).

Länge des Vorhersagehorizontes in Anhängigkeit von der Störungsdichte
Länge des Vorhersagehorizontes in Anhängigkeit von der Störungsdichte
(Bild: T-Systems MMS)

Ein Vorhersagehorizont von wenigen Stunden und bis zu mehreren Wochen vor der Störung ist möglich. Die Länge des Vorhersagehorizontes wächst dabei mit der Störungsdichte. Je höher die Störungsdichte ist, desto statistisch signifikanter lassen sich zeitlich getrennte Störungskategorien bilden, um gezielt in den aktuellen Steuerungs- und Prozessdaten zu detektieren. Eine hohe Störungsdichte tritt eher für ältere oder noch in der Entwicklung befindliche Anlagen auf.

Business-Case-Rechnung

Ein gewinnorientiertes Unternehmen erwartet einen monetären Nutzen von der Einführung einer Wartungsvorhersage im Produktionsprozess seiner Betriebsstätte. Der nachfolgende Business Case untersucht dazu die Rentabilität einer Investition in die Wartungsvorhersage. Für die untersuchte Referenzanlage schlagen 2,5 Millionen Euro zu buche. Dabei beziffern sich die Wartungskosten der Anlage inkl. Ausfallzeiten im Jahr auf 20 Prozent der Beschaffungskosten. Die Kostenreduktion durch Wartungsvorhersage wird hier als progressiv fortschreitend angenommen, da eine laufende Verbesserung der Vorhersagequalität erwartet wird. Dies ist durch eine kontinuierlich angereicherte Datenbasis und zukünftig eintretende Lerneffekte begründet. Die nachstehende Tabelle dient dem Überblick zur Business-Case-Rechnung.

Beispielrechnung für Kostenreduktion nach fünf Jahren
Beispielrechnung für Kostenreduktion nach fünf Jahren
(Bild: T-Systems MMS)

Die Progression ist in die drei Szenarien „schwach“, „mittel“ und „stark“ unterteilt, da die Anreicherung der Datenbasis und die eintretenden Lerneffekte im Regelfall abweichen. In der nachstehenden Abbildung ist die absolute Entwicklung der Kostenreduktion bei der Wartung dargestellt.

Entwicklung der Kostenreduktion in Euro über Jahre kumuliert
Entwicklung der Kostenreduktion in Euro über Jahre kumuliert
(Bild: T-Systems MMS)

Im Szenario „schwache Progression“ können Einsparungen von insgesamt 300.000 Euro nach fünf Jahren erzielt werden. Das Szenario „mittlere Progression“ erreicht Einsparungen von insgesamt 400.000 Euro nach fünf Jahren. Die „starke Progression“ erlangt das beste Ergebnis von insgesamt 500.000 Euro eingesparte Wartungskosten nach fünf Jahren. Diese Zahlen verdeutlichen das Einsparpotenzial durch Wartungsvorhersage.

Risiken und Qualitätssicherung

Mögliche Risiken zum Business Case und empfohlene Maßnahmen zur Qualitätssicherung sind in der nachfolgenden Tabelle skizziert und anschließend weiter im Detail beschrieben.

Risiken und Qualitätssicherung
Risiken und Qualitätssicherung
(Bild: T-Systems MMS)

Nur mit einer umfassenden Datenhistorie lassen sich aussagekräftige Statistiken ermitteln und damit ein wirksames Vorhersageverfahren umsetzen. Die Analyse des Produktionsprozesses und frühzeitige Sichtung des Datenbestandes sind entscheidend, um für die Vorhersage relevante Einflussgrößen zu identifizieren. Falls diese nicht im ausreichenden Maße vorliegen, kann auf Basis dessen z. B. weitere Messtechnik installiert werden.

Das Realisierungsprojekt selbst sollte sich schrittweise der Problemstellung nähern und damit das Vorhersageverfahren kontinuierlich verbessern. Das Vorhersagemodell steht und fällt mit der Qualität der Eingangsdaten. Die Protokollierung der Steuerungs- und Prozessdaten erzeugt große Datenmengen in hoher Datenrate und noch dazu unterschiedlichen Datenstrukturen. Für die Sicherung der Daten- und Vorhersagequalität empfehlen sich daher automatisierte Prüf- und Überwachungsverfahren auf Basis von Big Data Technologien. Im frei zugänglichen SQ-Magazin-Artikel „Ohne Risiko! Testautomation für Big-Data-Anwendungen“ (Dezemberausgabe 2015) des Autors finden sich dazu weitere Hintergründe und Vorgehensempfehlungen.

Projektvorgehen

Für die Realisierung des Verfahrens zur Wartungsvorhersage wird der CRISP-DM-Ansatz („Cross Industry Standard Process for Data Mining“), siehe Abbildung unten, vorgeschlagen.

CRISP-DM-Ansatz
CRISP-DM-Ansatz
(Bild: T-Systems MMS)

Dieser Ansatz deckt die Analyse der Daten beginnend von den fachlichen Anforderungen im Produktionsprozess als auch die Gütebewertung der Modelle auf Basis der gewählten Algorithmen ab. Hieraus lassen sich Ansätze für die produktive Lösung zur Industrialisierung ableiten. Für ein durchzuführendes Projekt sollten die einzelnen Phasen des CRISP-DM-Ansatzes in den jeweiligen Arbeitspaketen abgebildet werden.

Fazit

Predictive Maintenance lohnt sich für Produktionsbetriebe, die neben der fachlichen Realisierung vor allem die geeigneten Qualitätsmaßnahmen rechtzeitig umsetzen und ihre Qualität kontinuierlich verbessern.

Dieser Beitrag ist auf unserem Partnerportal BigData-Insider erschienen.

(ID:44325502)